머신러닝 용어집

이 용어집에서는 일반적인 머신러닝 용어 외에 용어를 알아봤습니다

알고 계셨나요?

상단 탐색 메뉴의 용어집 드롭다운에서 주제를 선택하여 용어집을 필터링할 수 있습니다. 부화하는 새 아이콘은 ML 초보자를 대상으로 한 정의를 나타냅니다.

A

절제

특성의 중요도를 평가하는 기법 또는 구성요소를 일시적으로 삭제하여 모델에서 삭제할 수 있습니다. 그런 다음 해당 특성 또는 구성요소 없이 모델을 재학습시키고, 재학습된 모델이 성능이 훨씬 더 나빠진 경우 삭제된 기능이나 구성요소가 중요할 수 있습니다

예를 들어 10개의 기능에 대해 분류 모델을 학습시키고 테스트 세트에서 88%의 정확도를 달성했다고 가정해 보겠습니다. 첫 번째 특성의 중요도를 확인하려면 다른 9개 특성만 사용하여 모델을 재학습할 수 있습니다. 재학습된 모델의 성능이 크게 저하되는 경우(예: 정확도 55%) 삭제된 특성이 중요했을 가능성이 큽니다. 반대로 재학습된 모델의 성능이 동일하게 우수하다면 해당 특성이 그다지 중요하지 않은 것일 수 있습니다.

절제는 다음 사항의 중요성을 판단하는 데에도 도움이 될 수 있습니다.

• 더 큰 ML 시스템의 전체 하위 시스템과 같은 더 큰 구성요소
• 프로세스 또는 기술(예: 데이터 전처리 단계)

두 경우 모두 구성요소를 삭제한 후 시스템 성능이 어떻게 변경되는지(또는 변경되지 않는지) 확인할 수 있습니다.

A/B 테스트

두 개 이상의 기법(A 및 B)을 비교하는 통계적 방법입니다. 일반적으로 A는 기존 기법이고 B는 새로운 기법입니다. A/B 테스트를 통해 실적이 더 우수한 기법을 파악할 뿐만 아니라 차이가 통계적으로 유의미한지 여부도 확인할 수 있습니다.

A/B 테스트는 일반적으로 두 가지 기법에서 단일 측정항목을 비교합니다. 예를 들어 두 기법에서 모델 정확성을 어떻게 비교할 수 있을까요? 그러나 A/B 테스트는 유한한 수의 실험과 측정항목입니다.

가속기 칩

#GoogleCloud

키 작업을 수행하도록 설계된 특수 하드웨어 구성요소의 카테고리입니다. 머신러닝 알고리즘에 필요한 컴퓨팅 속도에 더 많은 시간을 투자할 수 있습니다

가속기 칩(줄여서 가속기)은 범용 CPU에 비해 학습 및 추론 작업의 속도와 효율성을 크게 높일 수 있습니다. 학습 및 배포를 위한 신경망 및 유사한 계산 집약적 작업에서 배웠습니다.

가속기 칩의 예는 다음과 같습니다.

• 심층 학습을 위한 전용 하드웨어가 포함된 Google의 Tensor Processing Unit(TPU)
• NVIDIA의 GPU는 처음에 그래픽 처리를 위해 설계되었지만 병렬 처리를 가능하게 하여 설계되었으며, 처리 속도 향상

정확성

#fundamentals

올바른 분류 예측 수를 총 예측 수로 나눈 값입니다. 이는 다음과 같은 의미입니다.

$$\text{Accuracy} = \frac{\text{correct predictions}} {\text{correct predictions + incorrect predictions }}$$

예를 들어 올바른 예측 40개와 잘못된 예측 10개를 한 모델의 정확도는 다음과 같습니다.

$$\text{Accuracy} = \frac{\text{40}} {\text{40 + 10}} = \text{80%}$$

이진 분류는 올바른 예측과 잘못된 예측의 다양한 카테고리에 관한 구체적인 이름을 제공합니다. 따라서 이진 분류의 정확성 수식은 다음과 같습니다.

$$\text{Accuracy} = \frac{\text{TP} + \text{TN}} {\text{TP} + \text{TN} + \text{FP} + \text{FN}}$$

각 항목의 의미는 다음과 같습니다.

• TP는 참양성 (올바른 예측)의 수입니다.
• TN은 참음성 (올바른 예측)의 수입니다.
• FP는 거짓양성 (잘못된 예측)의 수입니다.
• FN은 거짓음성 (잘못된 예측)의 수입니다.

정확성을 정밀도 및 재현율과 비교 및 대조합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

일부 상황에서는 중요한 측정항목이지만 정확성이 매우 높음 혼동을 야기할 수 있습니다. 특히 정확도는 일반적으로 클래스 불균형 데이터 세트를 처리하는 분류 모델을 평가하는 데 적합하지 않은 측정항목입니다.

예를 들어 특정 지역에서 눈이 세기당 25일만 내린다고 가정해 보겠습니다. 아열대 도시입니다. 눈이 내리지 않은 날(음성 클래스)이 눈이 내린 날(양성 클래스)보다 훨씬 많으므로 이 도시의 눈 데이터 세트는 클래스 불균형 상태입니다. 매일 눈이 내릴지 내리지 않을지 예측해야 하지만 매일 '눈이 내리지 않음'만 예측하는 이진 분류 모델을 생각해 보세요. 이 모델은 정확도가 높지만 예측 능력은 없습니다. 다음 표에는 100년 동안의 예측 결과가 요약되어 있습니다.

카테고리	숫자
TP	0
TN	36499
FP	0
FN	25

따라서 이 모델의 정확성은 다음과 같습니다.

accuracy = (TP + TN) / (TP + TN + FP + FN)
accuracy = (0 + 36499) / (0 + 36499 + 0 + 25) = 0.9993 = 99.93%

99.93% 의 정확성은 매우 높은 비율인 것처럼 보이지만 실제로는 예측 능력이 없습니다

정밀도 및 일반적으로 재현율이 더 유용한 측정항목입니다. 클래스 불균형 데이터 세트로 학습된 모델을 평가하는 것보다 정확도가 높습니다.

---

자세한 내용은 머신러닝 단기집중과정의 분류: 정확성, 재현율, 정밀도, 관련 측정항목을 참고하세요.

action

#rl

강화 학습에서는 에이전트가 에이전트에 의해 의 상태 간에 전환이 환경 상담사는 정책을 사용하여 작업을 선택합니다.

활성화 함수

#fundamentals

신경망이 학습할 수 있도록 하는 함수 특성 간의 nonlinear (복잡) 관계 라벨을 지정합니다

많이 사용되는 활성화 함수는 다음과 같습니다.

• ReLU
• 시그모이드

활성화 함수의 그래프는 단일 직선이 아닙니다. 예를 들어 ReLU 활성화 함수의 그래프는 두 직선으로 구성됩니다.

시그모이드 활성화 함수의 그래프는 다음과 같습니다.

예를 보려면 아이콘을 클릭하세요.

신경망에서 활성화 함수는 뉴런에 대한 모든 입력의 가중치가 적용된 합계를 조작합니다. 가중치 합계를 계산하기 위해 뉴런은 관련 값과 가중치의 곱을 더합니다. 예를 들어 뉴런에 관한 입력은 다음과 같이 구성됩니다.

입력 값	입력 가중치
2	-1.3점
-1	0.6
3	0.4

따라서 가중치 합계는 다음과 같습니다.

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

이 신경망의 설계자가 시그모이드 함수를 활성화 함수로 선택한다고 가정해 보겠습니다. 이 경우 뉴런은 -2.0의 시그모이드를 계산하여 약 0.12를 얻습니다. 따라서 뉴런은 신경망의 다음 레이어에 -2.0이 아닌 0.12를 전달합니다. 다음 그림은 프로세스의 관련 부분을 보여줍니다.

---

자세한 내용은 머신러닝 단기집중과정에서 신경망: 활성화 함수를 참고하세요.

능동적 학습

알고리즘이 학습하는 데이터 중 일부를 선택하는 학습 방법입니다. 능동적 학습 라벨이 있는 예가 있는 경우에 얻을 수 있는 비용이 드물거나 비쌉니다. 무조건 다양한 범위의 라벨이 지정된 예를 찾는 대신, 능동적 학습 알고리즘은 학습에 필요한 특정 범위의 예를 선택적으로 찾습니다.

AdaGrad

각 매개변수의 경사를 재조정하여 효과적으로 각 매개변수에 독립 학습률을 부여하는 정교한 경사하강법 알고리즘입니다. 자세한 설명은 다음을 참조하세요. 이 AdaGrad 자료를 참고하세요.

에이전트

#rl

강화 학습에서 정책을 사용하여 환경의 상태 간에 전환할 때 얻은 예상 수익을 극대화하는 항목입니다.

좀 더 일반적으로 말하면 에이전트는 에이전트를 자율적으로 계획하고 실행하는 소프트웨어입니다. 변화에 적응하는 기능을 통해 목표를 추구하는 일련의 행동 활용할 수 있습니다 예를 들어 LLM 기반 에이전트는 강화 학습 정책을 적용하는 대신 LLM을 사용하여 계획을 생성합니다.

병합형 군집화

#clustering

계층적 군집화를 참고하세요.

이상 감지

이상치를 식별하는 프로세스입니다. 예를 들어 특정 특성의 평균이 100이고 표준 편차가 10이면 이상 감지에서 200 값을 의심스러운 것으로 표시해야 합니다.

AR

증강 현실의 약어입니다.

PR 곡선 아래 영역

PR AUC (PR 곡선 아래 영역)를 참고하세요.

ROC 곡선 아래 면적

AUC(ROC 곡선 아래 영역)를 참고하세요.

인공지능

광범위한 문제 해결을 보여주는 인간이 아닌 메커니즘 창의성, 적응성 등이 있습니다 예를 들어, 인공 신경망을 보여 주는 프로그램은 텍스트를 번역하고, 교향곡을 작곡하고, 그리고 아직 발명되지 않은 게임입니다.

인공지능

#fundamentals

복잡한 작업을 해결할 수 있는 사람이 아닌 프로그램 또는 모델입니다. 예를 들어 텍스트를 번역하는 프로그램이나 모델이나 두 가지 모두 인공 지능을 보여주는 방사선 이미지를 통해 질병을 식별합니다.

엄밀히 말해 머신러닝은 인공지능의 하위 분야입니다. 그러나 최근 몇 년 동안 일부 조직에서는 인공지능과 머신러닝이라는 용어를 상호 교환적으로 사용하기 시작했습니다.

Attention,

#language

신경망에서 사용되는 메커니즘으로, 특정 단어 또는 단어의 중요성을 나타냅니다. 시선 감지 모델이 다음 토큰/단어를 예측하는 데 필요한 정보의 양입니다. 일반적인 어텐션 메커니즘은 입력 세트에 대한 가중치가 적용된 합계로, 각 입력의 가중치는 학습합니다.

Transformer의 구성요소인 셀프 어텐션 및 멀티헤드 셀프 어텐션도 참고하세요.

자기주의에 관한 자세한 내용은 머신러닝 단기집중과정의 LLM: 대규모 언어 모델이란 무엇인가요?를 참고하세요.

속성

#fairness

기능의 동의어입니다.

머신러닝 공정성에서 속성은 종종 다음을 나타냅니다. 개인에게 적용되는 특성을 말합니다.

속성 샘플링

#df

각 결정 트리가 조건을 학습할 때 가능한 특성의 무작위 하위 집합만 고려하는 결정 포레스트를 학습하기 위한 전략입니다. 일반적으로 특성의 다른 하위 집합이 각 노드입니다. 반면에 의사 결정 트리를 학습시킬 때 속성을 샘플링하지 않으면 각 노드에 대해 가능한 모든 특성이 고려됩니다.

AUC (ROC 곡선 아래 영역)

#fundamentals

이진 분류 모델이 양성 클래스를 음성 클래스에서 분리하는 능력을 나타내는 0.0과 1.0 사이의 숫자입니다. AUC가 1.0에 가까울수록 모델의 분리 능력이 더 우수합니다. 클래스로 나눌 수 있습니다

예를 들어 다음 그림은 양성 클래스(녹색 타원)를 음성 클래스(보라색 직사각형)와 완벽하게 구분하는 분류 모델을 보여줍니다. 이 비현실적으로 완벽한 모델의 AUC는 1.0입니다.

반대로 다음 그림은 분류 기준의 결과를 보여줍니다. 생성하는 모델입니다. 이 모델의 AUC는 0.5입니다.

예, 이전 모델의 AUC는 0.0이 아닌 0.5입니다.

대부분의 모델은 두 극단 사이 어딘가에 있습니다. 예를 들어 다음 모델은 양성과 음성을 어느 정도 구분하므로 AUC가 0.5~1.0 사이입니다.

AUC는 설정된 모든 값을 무시합니다 분류 임곗값입니다. 대신 AUC 가능한 모든 분류 임곗값을 고려합니다.

AUC 곡선과 ROC 곡선 간의 관계에 대해 알아보려면 아이콘을 클릭하세요.

AUC는 아래의 영역을 ROC 곡선. 예를 들어 양성과 음성을 완벽하게 구분하는 모델의 ROC 곡선은 다음과 같습니다.

AUC는 위 그림의 회색 영역의 면적입니다. 이 특이한 경우, 영역은 단순히 회색 영역의 길이입니다. (1.0)에 회색 영역의 너비 (1.0)를 곱한 값입니다. 그래서, 그 제품은 AUC는 정확히 1.0이며, 이는 가능한 가장 높은 값입니다. AUC 점수입니다.

반대로 클래스를 분리할 수 없는 분류기의 ROC 곡선 다음과 같습니다. 이 회색 영역의 면적은 0.5입니다.

더 일반적인 ROC 곡선은 다음과 같이 대략적으로 표시됩니다.

이 곡선 아래의 영역을 수동으로 계산하는 것은 번거로울 수 있으므로 프로그램은 일반적으로 대부분의 AUC 값을 계산합니다.

---

아이콘을 클릭하여 AUC의 보다 공식적인 정의를 확인하세요.

AUC는 분류기가 특정 예측 모델보다 실제로는 양성이라는 예측보다 무작위로 선택한 음성의 예는 긍정적입니다

---

자세한 내용은 머신러닝 단기집중과정의 분류: ROC 및 AUC를 참고하세요.

증강 현실

#image

컴퓨터 생성 이미지를 사용자의 실제 환경 뷰에 겹쳐 합성 뷰를 제공하는 기술입니다.

autoencoder

#language

#image

데이터에서 가장 중요한 정보를 추출하는 방법을 학습하여 있습니다. 자동 인코더는 인코더와 디코더. 자동 인코더는 다음과 같은 두 단계 프로세스를 사용합니다.

1. 인코더는 일반적으로 손실이 있는 저차원에 입력을 매핑합니다. (중급) 형식으로 표시됩니다.
2. 디코더는 인코더-디코더를 매핑하여 원본 입력의 손실 버전을 낮은 차원의 형식을 고차원 형식으로 원본으로 입력 형식을 사용합니다.

자동 인코더는 디코더가 인코더의 중간 형식에서 원래 입력을 최대한 근접하게 재구성하도록 하여 엔드 투 엔드로 학습됩니다. 중간 형식이 더 작기 때문에 인코더가 원래 형식보다 (저차원)일 경우 자동 인코더가 어떤 정보가 중요한지 학습하기만 하면 출력은 입력과 완전히 동일할 것입니다.

예를 들면 다음과 같습니다.

• 입력 데이터가 그래픽인 경우, 정확하지 않은 사본은 다음과 유사합니다. 원본 그래픽이지만 약간 수정되었습니다. 정확하지 않은 사본이 원본 그래픽에서 노이즈를 제거하거나 누락된 일부 픽셀을 채울 수 있습니다.
• 입력 데이터가 텍스트이면 오토인코더는 원본 텍스트와 유사하지만 동일하지는 않습니다.

변분 오토인코더도 참고하세요.

자동화 편향

#fairness

자동 의사결정 시스템에 오류가 있는 경우에도 불구하고 의사 결정권자가 자동 의사결정 시스템에서 제공되는 권장사항을 자동화 없이 생성된 정보보다 우선시하는 경우입니다.

공정성: 편향 에서 머신러닝 단기집중과정을 참조하세요.

AutoML

머신러닝 빌드를 위한 자동화된 프로세스 모델을 지원합니다. AutoML은 다음과 같은 작업을 자동으로 실행할 수 있습니다.

• 가장 적절한 모델을 검색합니다.
• 초매개변수를 조정합니다.
• 데이터를 준비합니다(특성 추출 수행 포함).
• 결과 모델을 배포합니다.

AutoML은 데이터 과학자에게 유용합니다. 시간을 절약하고 머신러닝 파이프라인을 개발하고 예측을 개선하기 위한 노력 정확해야 합니다. 또한 전문가가 아닌 사용자도 복잡한 머신러닝 작업을 더 쉽게 수행할 수 있도록 해 주므로 유용합니다.

자세한 내용은 머신러닝 단기집중과정의 자동화된 머신러닝(AutoML)을 참고하세요.

자동 회귀 모델

#language

#image

#generativeAI

이전 예측을 기반으로 예측을 추론하는 모델입니다. 예를 들어 자동 회귀 언어 모델은 이전에 예측된 토큰을 기반으로 다음 토큰을 예측합니다. 모든 Transformer 기반 대규모 언어 모델은 자동 회귀적입니다.

반면에 GAN 기반 이미지 모델은 일반적으로 자동 회귀적이지 않습니다. 이미지를 하나의 정방향 패스로 생성하고 학습합니다. 그러나 특정 이미지 생성 모델은 단계적으로 이미지를 생성하므로 자동 회귀 입니다.

보조 손실

손실 함수: 손실 함수 신경망 모델의 기본 손실 함수를 사용하여 학습 도중에 학습을 가속화하는 데 도움이 되며 가중치가 무작위로 초기화되는 초기 반복

효과적인 경사를 푸시하는 보조 손실 함수 레이어로 변환합니다. 이렇게 하면 기울기 사라짐 문제를 해결하여 학습 중에 수렴이 촉진됩니다.

평균 정밀도

순위가 지정된 결과 시퀀스의 실적을 요약하는 측정항목입니다. 평균 정밀도는 각 관련 결과 (각 결과: 이전 결과에 비해 재현율이 증가하는 순위 목록).

PR 곡선 아래 영역도 참고하세요.

축 정렬 조건

#df

결정 트리에서 단일 지형지물만 포함된 조건 예를 들어 이 특성인 경우 다음은 축 정렬 조건입니다.

area > 200

경사 조건과 대비되는 개념입니다.

B

역전파

#fundamentals

인코더-디코더 아키텍처를 경사하강법을 신경망입니다.

신경망을 학습시키려면 다음과 같은 두 단계 사이클을 여러 번 반복해야 합니다.

1. 정방향 전달 중에 시스템은 예시를 사용하여 예측을 도출합니다. 시스템은 각 포드를 각 label 값에 대한 예측을 수행합니다. Kubernetes와 해당 예의 손실입니다. 시스템은 모든 예시의 손실을 집계하여 현재 배치의 총 손실을 계산합니다.
2. 역 전달(백프로파게이션) 중에 시스템은 모든 숨겨진 레이어의 모든 뉴런의 가중치를 조정하여 손실을 줄입니다.

신경망은 종종 여러 히든 레이어에 여러 뉴런을 포함합니다. 이러한 각 뉴런은 서로 다른 방식으로 전체 손실에 기여합니다. 역전파는 특정 뉴런에 적용된 가중치를 늘릴지 줄일지 결정합니다.

학습률은 각 역전파에서 각 가중치를 늘리거나 줄이는 정도를 제어하는 배수입니다. 학습률이 크면 각 가중치가 기존 값보다 더 많이 학습률을 낮춥니다.

미적분학 용어로 역전파는 미적분학의 체인 규칙을 구현합니다. 즉, 역전파는 각 매개변수에 대한 오류의 편미분을 계산합니다.

몇 년 전만 해도 ML 전문가는 역전파를 구현하기 위해 코드를 작성해야 했습니다. Keras와 같은 최신 ML API는 이제 역전파를 자동으로 구현합니다. 다양한 혜택이 마음에 드셨나요?

신경망을 참고하세요. 에서 머신러닝 단기집중과정을 참조하세요.

자지 빼기

#df

앙상블 학습 메서드앙상블 학습의 무작위 하위 집합으로 구성요소 모델이 학습 대체를 통해 샘플링된 예 예를 들어 랜덤 포레스트는 배깅으로 학습된 결정 트리

bagging은 bootstrap aggregating의 줄임말입니다.

랜덤 포레스트 참고 결정 포레스트 과정에서 살펴 보세요

단어 집합

#language

구문이나 구절에서 단어를 표현한 것입니다. 를 사용합니다. 예를 들어, 단어 집합은 다음 세 구를 동일하게 표현합니다.

• 개가 점프합니다
• jumps the dog
• 개가 점프하는

각 단어는 희소 벡터의 색인에 매핑되며 벡터에는 어휘의 모든 단어에 대한 색인이 포함됩니다. 예를 들어, the dog jumps 구는 특징 벡터에 매핑되며, 벡터에는 the, dog, jumps 단어에 해당하는 세 색인에 0이 아닌 값이 표시됩니다. 0이 아닌 값은 다음 중 하나일 수 있습니다.

• 1은 단어가 있음을 나타냅니다.
• 모음에 단어가 나타나는 횟수입니다. 예를 들어, the maroon dog is a dog with maroon fur라는 어구가 있는 경우 maroon과 dog는 모두 2로 표시되고 다른 단어는 1로 표시됩니다.
• 다른 값(예: 숫자의 개수에 대한 로그) 여러 번 반복할 수 있습니다.

기준

다른 모델(일반적으로 더 복잡한 모델)의 성능을 비교하는 참조 지점으로 사용되는 모델입니다. 예를 들어 로지스틱 회귀 모델이 심층 모델의 적절한 기준으로 삼습니다.

특정 문제의 경우 기준은 모델 개발자가 새 모델이 유용하기 위해 새 모델이 달성해야 하는 최소 예상 성능을 수치화하는 데 도움이 됩니다.

일괄

#fundamentals

한 번의 학습 반복에 사용되는 예의 집합입니다. 배치 크기는 주어진 있습니다.

배치가 에포크와 어떤 관련이 있는지 알아보려면 에포크를 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 선형 회귀: 초매개변수를 참고하세요.

일괄 추론

#TensorFlow

#GoogleCloud

여러 데이터를 기반으로 예측을 추론하는 과정 라벨이 없는 예를 더 작은 단위로 나눔 하위 집합('배치')이 있습니다.

일괄 추론은 일괄 추론의 동시 로드 기능을 활용하여 가속기 칩. 즉, 여러 가속기가 라벨이 지정되지 않은 여러 배치에서 동시에 예측을 추론할 수 있고 예시로 돌아가 초당 추론 횟수를 급격히 늘릴 수 있었습니다.

프로덕션 ML 시스템: 정적 및 동적 비교 추론 에서 머신러닝 단기집중과정을 참조하세요.

배치 정규화

숨겨진 레이어에서 활성화 함수의 입력 또는 출력을 정규화합니다. 배치 정규화를 사용하면 다음과 같은 이점이 있습니다.

• 보호하여 신경망을 더욱 안정적으로 이상점 가중치와 비교하여
• 더 높은 학습률을 사용 설정하면 스피드 트레이닝.
• 과적합을 줄입니다.

배치 크기

#fundamentals

배치 내 예의 개수입니다. 예를 들어 배치 크기가 100이면 모델은 반복당 예시 100개

다음은 많이 사용되는 배치 크기 전략입니다.

• 확률적 경사하강법 (SGD): 배치 크기가 1입니다.
• 전체 배치: 배치 크기가 전체 학습 세트의 예 수입니다. 예를 들어 학습 세트에 100만 개의 예시가 포함되어 있으면 배치 크기는 100만 개가 됩니다. 전체 배치는 일반적으로 비효율적인 전략입니다.
• 미니 배치: 배치 크기는 일반적으로 10~1,000입니다. 미니 배치는 일반적으로 가장 효율적인 전략입니다.

자세한 내용은 다음을 참조하세요.

• 머신러닝 단기집중과정에서 프로덕션 ML 시스템: 정적 추론과 동적 추론 비교
• 딥 러닝 조정 플레이북

베이즈 신경망

가중치와 출력의 불확실성을 고려하는 확률적 신경망입니다. 표준 신경망 회귀 모델은 일반적으로 스칼라 값을 예측합니다. 예를 들어 표준 모델은 8억5천만원의 주택 가격을 예측합니다. 반대로 베이즈 신경망은 values; 예를 들어 베이즈 모델은 표준 편차 67,200입니다.

베이즈 신경망은 <ph type="x-smartling-placeholder"></ph> 베이즈 Theorem 가중치와 예측으로 불확실성을 계산해 보겠습니다. 확률적 신경망은 제약 회사 관련 모델의 경우처럼 불확실성을 수치화해야 하는 경우에 유용합니다. 베이즈 신경망도 과적합을 방지할 수 있습니다.

Bayesian 최적화

확률적 회귀 모델 최적화 기법으로 계산 비용이 많이 드는 서로게이트를 대신 최적화하여 목표 함수 에서 베이즈 학습 기법을 사용하여 불확실성을 수치화합니다. 이후 베이즈 최적화는 그 자체로 비용이 많이 들며 일반적으로 평가 비용이 많이 드는 작업(예: 초매개변수 선택

벨만 방정식

#rl

강화 학습에서 최적의 Q-함수에 의해 충족되는 다음 식입니다.

\[Q(s, a) = r(s, a) + \gamma \mathbb{E}_{s'|s,a} \max_{a'} Q(s', a')\]

강화 학습 알고리즘은 이 ID를 적용하여 다음 업데이트 규칙을 통해 Q-학습을 만듭니다.

\[Q(s,a) \gets Q(s,a) + \alpha \left[r(s,a) + \gamma \displaystyle\max_{\substack{a_1}} Q(s',a') - Q(s,a) \right] \]

강화 학습 외에도 벨만 방정식은 동적 프로그래밍에 적용됩니다. 자세한 내용은 <ph type="x-smartling-placeholder"></ph> 벨만 방정식에 대한 위키백과 항목

BERT(Bidirectional Encoder Representations from Transformers)

#language

텍스트 표현을 위한 모델 아키텍처 학습된 BERT 모델은 텍스트 분류 또는 기타 ML 태스크를 위한 더 큰 모델의 일부로 작동할 수 있습니다.

BERT의 특징은 다음과 같습니다.

• Transformer 아키텍처를 사용하므로 셀프 어텐션에 관해 자세히 알아보세요.
• Transformer의 인코더 부분을 사용합니다. 인코더의 작업 좋은 텍스트 표현을 생성하기 위한 것입니다. 분류와 같은 태스크에 해당합니다.
• 양방향입니다.
• 다음에 마스킹을 사용합니다. 비지도 학습입니다.

BERT의 변종은 다음과 같습니다.

• ALBERT, 이는 A Light BERT의 약자입니다.
• LaBSE.

BERT 개요는 Open Sourcing BERT: State-of-the-Art Pre-training for Natural Language Processing을 참고하세요.

편향(bias)(윤리학/공정성)

#fairness

#fundamentals

1. 특정 사물, 인물 또는 그룹에 대한 정형화, 편견 또는 편애를 말합니다. 이러한 편향은 데이터의 수집과 데이터 해석, 시스템 설계, 사용자 상호작용 방식 등 도움이 될 수 있습니다 이러한 유형의 편향에는 다음이 포함됩니다.

• 자동화 편향
• 확인 편향
• 실험자 편향
• 그룹 귀인 편향
• 암시적 편향
• 내집단 편향
• 외부 집단 동질화 편향

2. 샘플링 또는 보고 절차로 인해 발생하는 계통 오차입니다. 이러한 유형의 편향은 다음과 같습니다.

• 노출 편향
• 무응답 편향
• 참여 편향
• 보고 편향
• 표본 추출 편향
• 표본 선택 편향

머신러닝 모델의 편향 항과 혼동하지 마시기 바랍니다. 또는 예측 편향을 정의할 수 있습니다

자세한 내용은 머신러닝 단기집중과정의 공정성: 편향 유형을 참고하세요.

편향(bias)(수학) 또는 편향 항

#fundamentals

원점을 기준으로 한 절편 또는 오프셋입니다. 편향은 인코더-디코더 모델은 머신러닝 모델을 있습니다.

• b
• w₀

예를 들어 다음 수식에서 편향은 b입니다.

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

단순한 2차원 선에서 편향은 'y 절편'을 의미합니다. 예를 들어 다음 그림의 선의 편향은 2입니다.

모든 모델이 원점(0, 0)에서 시작하는 것은 아니므로 편향이 존재합니다. 예를 들어 놀이공원의 입장료는 2유로이고 고객이 머무는 시간당 0.5유로가 추가로 청구된다고 가정해 보겠습니다. 따라서 인코더-디코더 아키텍처를 최저 비용이 2유로이므로 총비용의 편향은 2입니다.

편향은 윤리학 및 공정성의 편향 또는 예측 편향과 혼동해서는 안 됩니다.

자세한 내용은 머신러닝 단기집중과정의 선형 회귀를 참고하세요.

양방향

#language

대상 텍스트 섹션의 앞에 있고 뒤에 있는 텍스트를 모두 평가하는 시스템을 설명하는 데 사용되는 용어입니다. 반면 단방향 시스템은 타겟 텍스트 섹션 앞에 있는 텍스트만 평가합니다.

예를 들어 다음 질문에서 밑줄을 나타내는 단어의 확률을 결정해야 하는 마스킹된 언어 모델을 생각해 보겠습니다.

_____에 어떤 문제가 있나요?

단방향 언어 모델은 'What', 'is', 'the'라는 단어에서 제공하는 맥락에만 확률을 기반으로 해야 합니다. 반면 양방향 언어 모델은 또한 "with"에서 컨텍스트를 얻을 수도 있습니다. '귀하', 모델이 더 나은 예측을 생성하는 데 도움이 될 수 있습니다.

양방향 언어 모델

#language

특정 단어가 될 확률을 판단하는 언어 모델 특정 위치에 주어진 토큰의 텍스트 발췌 부분을 앞 및 뒤 텍스트에 있습니다.

바이그램

#seq

#language

N=2인 N-그램입니다.

이진 분류

#fundamentals

상호 배타적인 두 클래스 중 하나를 예측하는 분류 작업 유형입니다.

• 양성 클래스
• 네거티브 클래스

예를 들어 다음 두 머신러닝 모델은 각각 이진 분류를 실행합니다.

• 이메일 메시지가 스팸(포지티브 클래스)인지 스팸이 아닌지(네거티브 클래스)를 결정하는 모델입니다.
• 의료 증상을 평가하여 특정 질병이 있는지(포지티브 클래스) 없는지(네거티브 클래스) 판단하는 모델입니다.

다중 클래스 분류와 대비되는 개념입니다.

로지스틱 회귀 및 분류 임계값도 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 분류를 참고하세요.

바이너리 조건

#df

결정 트리에서 조건은 일반적으로 예 또는 아니요의 두 가지 결과만 나타납니다. 예를 들어 다음은 바이너리 조건입니다.

temperature >= 100

비바이너리 조건과 대비되는 개념입니다.

자세한 내용은 결정 트리 과정의 조건 유형을 참고하세요.

비닝

버케팅의 동의어입니다.

BLEU (이중 언어 평가 연구)

#language

두 인간 언어(예: 영어와 러시아어) 간의 번역 품질을 나타내는 0.0~1.0(양 끝값 포함) 사이의 점수입니다. BLEU 점수가 1.0이면 완벽한 번역을 의미하고, 0.0이면 매우 나쁜 번역을 의미합니다.

부스팅

여러 개의 단순 유형과 인간 데이터를 반복적으로 결합하는 정확도가 떨어지는 분류기('약한' 분류기)를 '강한' 분류기'를 사용하여 정확도가 높은 모델이 현재 적용된 예시를 가중치 상향 조정합니다. 있습니다.

그래디언트 부스티드 의사 결정 참고 나무? 결정 포레스트 과정에서 살펴 보세요

경계 상자

#image

이미지에서 관심 영역(예: 아래 이미지의 강아지)을 둘러싼 직사각형의 (x, y) 좌표입니다.

브로드캐스팅

행렬 수학 연산에서 피연산자의 모양을 크기를 사용할 수 있습니다. 예를 들어, 선형 대수에서는 행렬 덧셈 연산의 두 피연산자의 차원이 동일해야 합니다. 따라서 길이가 n인 벡터에 (m, n) 모양 행렬을 추가할 수 없습니다. 브로드캐스팅을 사용하면 다음과 같이 길이가 n인 벡터를 (m, n) 형태의 행렬로 가상 동일한 값을 각 열에 복제하는 것입니다

예를 들어, 정의가 다음과 같을 경우 A와 B의 차원이 다르므로 선형 대수에서는 A+B를 금지합니다.

A = [[7, 10, 4],
     [13, 5, 9]]
B = [2]

하지만 브로드캐스팅을 사용하면 B를 다음과 같이 확장하여 A+B 연산이 가능합니다.

 [[2, 2, 2],
  [2, 2, 2]]

따라서 이제 A+B는 유효한 연산입니다.

[[7, 10, 4],  +  [[2, 2, 2],  =  [[ 9, 12, 6],
 [13, 5, 9]]      [2, 2, 2]]      [15, 7, 11]]

다음 설명을 참고하세요. NumPy에서 브로드캐스팅을 참조하세요.

버킷팅,

#fundamentals

단일 특성을 여러 바이너리 특성으로 변환 버킷 또는 빈 일반적으로 값 범위를 기준으로 합니다. 잘린 지형지물은 일반적으로 연속 기능.

예를 들어 온도를 단일로 나타내는 대신 연속 부동 소수점 특성을 사용하여 다음과 같은 개별 버킷으로 분류할 수 있습니다.

• 섭씨 10도 이하는 '추운' 온도입니다. 버킷과 동기화할 수 있습니다
• 11~24도는 '온화' 버킷입니다.
• 섭씨 25도 이상이면 '따뜻하게' 버킷과 동기화할 수 있습니다

모델은 동일한 버킷의 모든 값을 동일하게 처리합니다. 대상 예를 들어 13 및 22 값은 모두 임시 버킷에 있으므로 모델은 두 값을 동일하게 취급합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

온도를 연속 특성으로 표현하는 경우 모델은 온도를 단일 특성으로 취급합니다. 온도를 나타내는 경우 버킷 세 개로 간주하면 모델은 각 버킷을 별도의 특성으로 취급합니다. 즉, 모델은 각 버킷과 라벨의 별도의 관계를 학습할 수 있습니다. 예를 들어 선형 회귀 모델은 각 버킷에 대해 별도의 가중치를 학습할 수 있습니다.

버킷 수를 늘리면 모델이 학습해야 하는 관계의 수가 늘어나 모델이 더 복잡해집니다. 예를 들어 냉장, 온대, 따뜻한 버킷은 기본적으로 3가지 개별 특성이 있습니다. 예를 들어 냉동 및 핫과 같은 버킷을 두 개 더 추가하면 이제 모델은 5개의 개별 기능을 학습해야 합니다.

생성할 버킷 수 또는 각 버킷의 범위를 어떻게 알 수 있나요? 어떻게 해야 할까요? 답변을 찾으려면 일반적으로 상당한 양의 실험이 필요합니다.

---

수치 데이터: 비닝 에서 머신러닝 단기집중과정을 참조하세요.

C

보정 레이어

일반적으로 예측 편향을 보정하기 위한 예측 후 조정입니다. 조정된 예측 및 확률은 관찰된 라벨 집합의 분포와 일치해야 합니다.

후보군 생성

#recsystems

광고주가 선택한 초기 추천 집합은 추천 시스템. 예를 들어, 10만 권의 서적을 판매하는 서점을 생각해 보세요. 후보 생성 단계에서는 500권과 같이 특정 사용자에게 적합한 도서가 훨씬 적은 목록일 수도 있습니다. 그러나 500권은 사용자에게 추천하기에는 너무 많습니다. 추천 시스템의 후속 단계(예: 점수 및 재정렬)에서는 500개를 훨씬 더 작고 유용한 추천으로 줄입니다.

후보 생성 참조 개요 추천 시스템 과정을 참조하세요.

후보 샘플링

학습 시간 최적화에서는 모든 학습 데이터의 양성 라벨(예: 소프트맥스를 사용하며 음성 라벨의 샘플입니다. 예를 들어 beagle, dog의 경우 후보 샘플링이 예측 확률을 계산 다음과 같은 손실 항을 사용합니다.

• 비글
• 개
• 나머지 네거티브 클래스의 무작위 하위 집합 (예: cat, 롤리팝, 펜스)

즉, 네거티브 클래스는 빈도가 낮은 클래스로부터 학습할 수 있으며 부정적인 강화를 포지티브 클래스는 항상 양성을 적절히 얻습니다. 이것은 실제로 경험적으로 관찰됩니다.

후보 샘플링은 알고리즘 학습보다 계산 효율성이 더 높음 특히 다음과 같은 경우 모든 네거티브 클래스에 대한 예측을 계산합니다. 네거티브 클래스 수가 매우 큽니다.

범주형 데이터

#fundamentals

가능한 특정 값 집합을 갖는 특성입니다. 예를 들어 다음 세 가지 값 중 하나만 가질 수 있는 traffic-light-state라는 범주형 특성을 생각해 보겠습니다.

• red
• yellow
• green

traffic-light-state를 범주형 특성으로 표현하면 모델이 학습하여 드라이버 동작에 미치는 red, green, yellow의 서로 다른 영향

범주형 특성은 범주형 특성 또는 불연속 특성.

수치 데이터와 대비되는 개념입니다.

자세한 내용은 머신러닝 단기집중과정의 분류형 데이터 작업을 참고하세요.

인과 언어 모델

#language

단방향 언어 모델의 동의어입니다.

다음 내용은 양방향 언어 모델을 참고하세요. 언어 모델링의 다양한 방향성 접근 방식을 대조해 봅니다.

centroid

#clustering

k-평균 또는 k-중앙값 알고리즘입니다. 예를 들어 k가 3이면 k-평균 또는 k-중앙값 알고리즘은 3개의 중심을 찾습니다.

클러스터링 알고리즘을 참조하세요. 클러스터링 과정에서 살펴봐야 합니다

중심 기반 군집화

#clustering

데이터를 계층 구조가 아닌 클러스터로 구성하는 군집화 알고리즘의 카테고리입니다. k-평균은 가장 널리 사용되는 중심 기반 군집화 알고리즘입니다.

계층적 군집화와 대비되는 개념 사용할 수 있습니다.

클러스터링 알고리즘을 참조하세요. 클러스터링 과정에서 살펴봐야 합니다

생각의 연쇄 프롬프팅

#language

#generativeAI

프롬프트 엔지니어링 기법은 대규모 언어 모델 (LLM)을 사용해 차근차근 살펴보겠습니다 예를 들어 다음 프롬프트를 살펴보면서 두 번째 문장에 특히 주의를 기울이세요.

차량에서 운전자가 경험하는 g 힘은 0에서 60 사이의 힘입니다 7초 만에 시속 마일을 얻을 수 있을까? 답변에서 모든 관련 계산을 표시합니다.

LLM의 응답은 다음과 같습니다.

• 0, 60, 7 값을 연결하여 물리학 공식 표시 배치해야 합니다.
• 이러한 수식을 선택한 이유와 다양한 변수의 의미를 설명합니다.

연쇄적 사고 프롬프트를 사용하면 LLM이 모든 계산을 실행하도록 강제하여 더 정확한 답변을 얻을 수 있습니다. 또한 사고 과정 프롬프트를 사용하면 사용자가 LLM의 단계를 검토하여 답변이 적절한지 판단할 수 있습니다.

채팅

#language

#generativeAI

ML 시스템(일반적으로 대규모 언어 모델)과의 대화 내용입니다. Chat의 이전 상호작용(내가 입력한 내용과 대규모 언어 모델이 응답한 방식)은 Chat의 후속 부분에 대한 컨텍스트가 됩니다.

채팅 봇은 대규모 언어 모델의 애플리케이션입니다.

체크포인트

학습 중 또는 학습이 완료된 후 모델의 매개변수 상태를 캡처하는 데이터입니다. 예를 들어 학습 중에 다음 작업을 할 수 있습니다.

1. 의도적으로 또는 특정 오류의 결과로 학습을 중지합니다.
2. 체크포인트를 캡처합니다.
3. 나중에 다른 하드웨어에서 체크포인트를 새로고침할 수 있습니다.
4. 학습을 다시 시작합니다.

클래스

#fundamentals

라벨이 속할 수 있는 카테고리입니다. 예를 들면 다음과 같습니다.

• 스팸을 감지하는 이진 분류 모델에서 두 클래스는 스팸과 스팸 아님일 수 있습니다.
• 강아지 품종을 식별하는 다중 클래스 분류 모델에서 클래스는 푸들, 비글, 퍼그 등이 될 수 있습니다.

분류 모델은 클래스를 예측합니다. 반면에 회귀 모델은 숫자를 예측합니다. 수업이 아니라

분류를 참고하세요. 에서 머신러닝 단기집중과정을 참조하세요.

분류 모델

#fundamentals

예측이 클래스인 모델입니다. 예를 들어 다음은 모두 분류 모델입니다.

• 입력 문장의 언어 (프랑스어? 스페인어? 이탈리아어)를 사용하고 계신가요?
• 수종을 예측하는 모델 (단풍? 참나무? 바오밥?).
• 특정 질병의 양성 또는 음성 클래스를 예측하는 모델입니다.

반대로 회귀 모델은 숫자를 예측합니다. 사용하는 것이 좋습니다

분류 모델의 두 가지 일반적인 유형은 다음과 같습니다.

• 이진 분류
• 다중 클래스 분류

분류 기준점

#fundamentals

이진 분류에서는 0과 1 사이의 숫자를 사용하여 로지스틱 회귀 모델 포지티브 클래스의 예측으로 변환 또는 네거티브 클래스를 구분할 수 있습니다. 분류 기준점은 모델 학습에서 선택한 값이 아니라 사람이 선택하는 값입니다.

로지스틱 회귀 모델은 0과 1 사이의 원시 값을 출력합니다. 그런 다음 아래를 실행합니다.

• 이 원시 값이 분류 임곗값 보다 큰 경우 양성 클래스가 예측됩니다.
• 이 원시 값이 분류 임곗값 미만이면 네거티브 클래스가 예측됩니다

예를 들어 분류 임계값이 0.8이라고 가정해 보겠습니다. 원시 값이 이 값이 0.9이면 모델이 포지티브 클래스를 예측합니다. 원시 값이 0.7이면 모델은 네거티브 클래스를 예측합니다.

분류 임곗값의 선택은 거짓양성과 거짓음성입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

모델이나 데이터 세트가 발전함에 따라 엔지니어도 분류 임곗값입니다. 분류 임곗값이 변경되면 포지티브 클래스 예측은 갑자기 네거티브 클래스가 될 수 있음 그 반대의 경우도 마찬가지입니다.

예를 들어 이진 분류 질병 예측 모델을 생각해 보세요. 첫해에 시스템이 실행될 때 다음과 같다고 가정해 보겠습니다.

• 특정 환자의 원시 값은 0.95입니다.
• 분류 기준은 0.94입니다.

따라서 시스템은 포지티브 클래스를 진단합니다. (환자가 숨을 들이쉬며 '아, 아파요!')

1년이 지난 지금, 값은 다음과 같이 표시됩니다.

• 동일한 환자의 원시 값은 0.95로 유지됩니다.
• 분류 임계값이 0.97로 변경됩니다.

따라서 시스템은 이제 해당 환자를 음성 클래스로 재분류합니다. ("행복한 하루 보내세요! 아프지 않습니다.') 동일한 환자입니다. 다른 진단

---

자세한 내용은 머신러닝 단기집중과정의 임곗값 및 혼동 행렬을 참고하세요.

클래스 불균형 데이터 세트

#fundamentals

각 클래스의 총 라벨 수가 크게 다른 분류 문제의 데이터 세트입니다. 예를 들어 두 개의 라벨이 있는 이진 분류 데이터 세트를 가정해 보겠습니다. 다음과 같이 구분됩니다.

• 제외 라벨 1,000,000개
• 긍정 라벨 10개

음성 라벨 대 양성 라벨의 비율은 100,000 대 1이므로 클래스 불균형 데이터 세트입니다

반면 다음 데이터 세트는 음성 라벨과 양성 라벨의 비율이 상대적으로 1에 가까우므로 클래스 불균형이 아닙니다.

• 517개의 제외 라벨
• 긍정적인 라벨 483개

다중 클래스 데이터 세트는 클래스 불균형일 수도 있습니다. 예를 들어 다음 다중 클래스 분류 데이터 세트도 한 라벨의 예시가 다른 두 라벨의 예시보다 훨씬 많기 때문에 클래스 불균형이 있습니다.

• 클래스가 '녹색'인 라벨 1,000,000개
• 클래스가 '보라색'인 라벨 200개
• 'orange' 클래스가 있는 라벨 350개

엔트로피, 주요 클래스, 및 다수 범주에 대해 학습되었습니다.

클리핑

#fundamentals

다음 중 하나 또는 둘 다를 실행하여 이상치를 처리하는 기술입니다.

• 최대 기준점보다 큰 특성 값을 해당 최대 기준점으로 줄입니다.
• 해당 값까지 최소 임곗값보다 작은 특성 값을 증가 최소 임곗값입니다.

예를 들어 특정 특성의 값 중 0.5% 미만이 40~60 범위를 벗어난다고 가정해 보겠습니다. 이 경우 다음과 같이 할 수 있습니다.

• 60 (최대 임곗값)을 초과하는 모든 값을 정확히 60으로 자릅니다.
• 40(최솟값 기준점) 미만인 모든 값을 정확히 40으로 자릅니다.

이상치는 모델에 손상을 줄 수 있으며, 경우에 따라 학습 중에 가중치가 오버플로할 수 있습니다. 일부 외부값은 정확성과 같은 측정항목을 크게 손상시킬 수도 있습니다. 클리핑은 손상을 제한하는 일반적인 기법입니다.

경사 제한력 학습 중에 지정된 범위 내의 경사 값.

자세한 내용은 머신러닝 단기집중과정의 숫자 데이터: 정규화를 참고하세요.

Cloud TPU

#TensorFlow

#GoogleCloud

Google Cloud에서 머신러닝 워크로드의 속도를 높이도록 설계된 특수 하드웨어 가속기입니다.

클러스터링

#clustering

특히 비지도 학습 중에 관련 예시를 그룹화합니다. 모든 인간은 선택적으로 각 클러스터에 의미를 제공할 수 있습니다.

클러스터링 알고리즘은 많이 존재합니다. 예를 들어 k-평균 알고리즘은 다음 다이어그램과 같이 중심과의 근접성을 기준으로 예시를 클러스터링합니다.

그런 다음 연구원이 클러스터를 검토하고, 예를 들어 클러스터 1을 "소수의 나무"로 라벨 지정 클러스터 2를 '원본 크기의 나무'로 지정하겠습니다.

다음에서 확인할 수 있는 것처럼 중심점에서 예가 얼마나 떨어져 있는지를 바탕으로 한 클러스터링 알고리즘도 있을 수 있습니다.

클러스터링 과정을 참조하세요. 를 참조하세요.

공동 적응

뉴런이 신경망의 전체 행동이 아닌 다른 특정 뉴런의 출력에만 의존하여 학습 데이터의 패턴을 예측하는 경우입니다. 모방 적응을 일으키는 패턴이 유효성 검사 데이터에 없는 경우 모방 적응은 과적합을 초래합니다. 드롭아웃 정규화로 인한 공동 적응 감소 드롭아웃은 뉴런이 다른 특정 뉴런에만 의존할 수 없도록 하기 때문입니다.

협업 필터링

#recsystems

다른 여러 사용자의 관심사를 바탕으로 한 사용자의 관심사에 대한 예측 협업 필터링 추천 시스템에서 자주 사용됩니다.

자세한 내용은 추천 시스템 과정의 공동 필터링을 참고하세요.

개념 드리프트

특성과 라벨 간의 관계 변화 시간이 지남에 따라 개념 드리프트로 인해 모델의 품질이 저하됩니다.

학습 중에 모델은 특성과 학습 세트에 있습니다. 학습 세트의 라벨이 모델이 충분해야 합니다. 제공할 수 있습니다. 하지만 개념 드리프트로 인해 모델의 시간이 지날수록 성능이 저하되는 경향이 있습니다

예를 들어 이진 분류를 '연료 효율' 모델인지 여부를 예측하는 모델입니다. 즉, 기능은 다음과 같을 수 있습니다.

• 차량 무게
• 엔진 압축
• 전송 유형

라벨은 다음 중 하나입니다.

• 연비
• 연비 아님

하지만 '연료 효율 자동차'라는 개념은 유지 있습니다. 1994년에 연비가 우수함으로 분류된 자동차 모델은 2024년에는 거의 확실히 연비가 우수하지 않음으로 분류될 것입니다. 개념이 변화하는 모델은 시간이 지남에 따라 점점 더 유용하지 않은 예측을 내리는 경향이 있습니다.

비정상성과 비교 및 대조합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

개념 드리프트를 보완하기 위해 모델을 속도보다 빠르게 재학습시켜야 합니다. 개념 드리프트가 있습니다 예를 들어 개념 드리프트로 인해 모델 정밀도가 모델을 더 자주 재학습시키고 2개월마다

---

조건

#df

결정 트리에서 표현식을 평가하는 노드입니다. 예를 들어 다음과 같은 의사결정 트리에는 두 가지 조건이 포함되어 있습니다.

조건은 분할 또는 테스트라고도 합니다.

조건을 leaf와 대조합니다.

관련 주제에 대한 추가 정보

• 바이너리 조건
• 비이진 상태.
• axis-aligned-condition
• 경사 조건

자세한 내용은 결정 트리 과정의 조건 유형을 참고하세요.

혼돈

#language

할루시네이션의 동의어입니다.

할루시네이션은 할루시네이션보다 기술적으로 더 정확한 용어일 것입니다. 하지만 환각이 먼저 인기를 얻었습니다.

구성

모델을 학습하는 데 사용되는 초기 속성 값을 할당하는 프로세스입니다. 여기에는 다음이 포함됩니다.

• 모델의 구성 레이어
• 데이터 위치
• 초매개변수:
  • 학습률
  • 반복
  • 최적화 도구
  • 손실 함수

머신러닝 프로젝트에서는 특별한 구성 파일을 사용하거나 다음과 같은 구성 라이브러리를 사용할 수 있습니다.

• HParam
• 진
• Fiddle

확증 편향

#fairness

이미 가지고 있는 믿음이나 가설을 긍정하는 방향으로 정보를 검색, 해석, 선호, 재현하는 경향입니다. 머신러닝 개발자가 의도치 않게 데이터를 수집하거나 기존의 접근 방식을 뒷받침하는 결과에 영향을 미치는 방식으로 믿음을 갖고 있습니다. 확증 편향은 일종의 내재적 편향입니다.

실험자 편향은 확증 편향의 한 형태로 기존 모델이 학습될 때까지 계속해서 가설을 검증합니다.

혼동 행렬

#fundamentals

분류 모델이 내린 올바른 예측과 잘못된 예측의 수를 요약한 NxN 표입니다. 예를 들어, 다음 혼동 행렬에서 이진 분류 모델:

	종양 (예측)	종양이 아님(예측)
종양(정답)	18 (TP)	1(FN)
비종양 (정답)	6 (FP)	452 (TN)

위의 혼동 행렬은 다음을 보여줍니다.

• 실제값이 종양인 19개 예측 중 모델은 18개를 올바르게 분류하고 1개를 잘못 분류했습니다.
• 정답이 종양이 아닌 예측 458개 중에서 모델은 정확하게 분류한 452번과 6번 잘못 분류했습니다.

다중 클래스 분류의 혼동 행렬 문제는 실수의 패턴을 식별하는 데 도움이 될 수 있습니다. 예를 들어 세 가지 붓꽃 유형(버지니카, 버시컬러, 세토사)을 분류하는 3개 클래스 다중 클래스 분류 모델의 다음 혼동 행렬을 고려해 보세요. 실측 정보가 Virginica인 경우 혼동 행렬은 모델이 Setosa보다 Versicolor를 잘못 예측할 가능성이 훨씬 높음을 보여줍니다.

	Setosa(예측)	Versicolor (예측됨)	버지니카 (예상)
세토사 (정답)	88	12	0
Versicolor(정답)	6	141	7
버지니카 (정답)	2	27	109

또 다른 예로, 혼동 행렬을 통해 모델이 학습한 다음 손으로 쓴 숫자를 인식하면 4가 아닌 9를 잘못 예측하는 경향이 있습니다. 또는 7이 아닌 1로 잘못 예측한 것입니다.

혼동 행렬은 정밀도와 같은 다양한 성능 측정항목 및 재현율을 살펴보겠습니다.

선거구 파싱

#language

문장을 더 작은 문법적 구조('구성성')로 나누는 것을 말합니다. ML 시스템의 후반부인 자연어 이해 모델 더 쉽게 구성요소들을 파싱할 수 있습니다. 예를 들어 다음 문장을 생각해 보세요.

제 친구가 고양이 두 마리를 입양했어요.

선거구 파서는 이 문장을 다음과 같이 나눌 수 있습니다. 2가지 구성요소:

• Myfriend는 명사구입니다.
• 고양이 두 마리를 입양은 동사구입니다.

이러한 성분은 더 작은 성분으로 더 세분화될 수 있습니다. 예를 들어 동사구

고양이 2마리를 입양했습니다.

다음과 같이 더 세분화할 수 있습니다.

• 채택은 동사입니다.
• two cats는 또 다른 명사구입니다.

문맥화된 언어 임베딩

#language

#generativeAI

인간 모국어 사용자가 할 수 있는 방식으로 단어와 구문을 '이해'하는 것에 가까운 임베딩입니다. 상황별 언어 임베딩은 복잡한 구문, 시맨틱, 컨텍스트를 이해할 수 있습니다.

예를 들어 영어 단어 cow의 임베딩을 가정해 보겠습니다. word2vec와 같은 이전 임베딩은 임베딩 공간에서 cow와 bull의 거리가 ewe(암양)와 ram(숫양)의 거리 또는 female와 male의 거리와 유사하도록 영어 단어를 나타낼 수 있습니다. 문맥화된 언어 임베딩은 영어 사용자가 cow라는 단어를 소나 수소를 의미하는 비공식적인 표현으로 사용하는 경우도 있음을 인식하여 한 걸음 더 나아갈 수 있습니다.

컨텍스트 윈도우

#language

#generativeAI

주어진 시간 동안 모델이 처리할 수 있는 토큰 수 프롬프트. 컨텍스트 창이 클수록 모델은 더 많은 정보를 사용하여 프롬프트에 일관되고 일관된 응답을 제공할 수 있습니다.

연속 특성

#fundamentals

온도나 무게와 같이 가능한 값의 범위가 무한인 부동 소수점 특성입니다.

불연속 특성과 대비되는 개념입니다.

편의 샘플링

실험을 빠르게 실행하기 위해 과학적으로 수집되지 않은 데이터 세트를 사용합니다. 나중에 과학적으로 수집된 데이터 세트로 전환해야 합니다.

수렴

#fundamentals

손실 값이 각 반복마다 거의 또는 전혀 변하지 않을 때 도달하는 상태입니다. 예를 들어 손실 곡선은 약 700회의 반복에서 수렴을 나타냅니다.

추가 학습이 이루어지지 않으면 모델이 수렴됩니다. 모델을 개선할 수 있습니다

딥 러닝에서는 손실 값이 일정하거나 마침내 하강하기 전까지 여러 번 반복했습니다. 장기간 일시적으로 수렴이 잘못될 수 있습니다.

조기 중단을 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 모델 수렴 및 손실 곡선을 참고하세요.

볼록 함수

함수 그래프의 위쪽 영역이 볼록 집합인 함수입니다. 볼록 함수의 전형적인 예는 다음과 같습니다. U와 같은 모양을 하고 있습니다. 예를 들어 모두 볼록 함수입니다.

반면에 다음 함수는 볼록 함수가 아닙니다. 포드의 볼록 집합이 아닙니다.

순볼록 함수에는 전역 최솟값이기도 한 로컬 최솟값 점이 정확히 하나 있습니다. 고전적인 U자형 함수는 엄격히 볼록 함수입니다. 그러나 직선과 같은 볼록 함수는 U자형이 아닙니다.

아이콘을 클릭하여 수학을 자세히 살펴보세요.

많은 일반적인 손실 함수(예: 볼록 함수입니다.

• L₂ 손실
• 로그 손실
• L₁ 정규화
• L₂ 정규화

경사하강법의 여러 변형을 사용하면 순볼록 함수의 최저점에 가까운 점을 찾을 수 있습니다. 마찬가지로 확률적 경사하강법이 확률이 높음 최저점에 가까운 지점을 찾을 수 있다고 보장할 수는 없습니다. 순 볼록 함수입니다.

두 볼록 함수의 합(예: L₂ 손실 + L₁ 정규화)은 볼록 함수입니다.

심층 모델은 어떠한 경우에도 볼록 함수가 아닙니다. 그럼에도 불구하고 볼록 최적화를 위해 설계된 알고리즘은 심층 네트워크에서 비교적 양호한 해를 구할 가능성이 높지만, 이러한 해가 전역 최저점이라는 보장은 없습니다.

---

수렴 및 볼록 함수 에서 머신러닝 단기집중과정을 참조하세요.

볼록 최적화

경사하강법과 같은 수학적 기법을 사용하여 볼록 함수의 최솟값을 찾는 프로세스입니다. 머신러닝에 대한 연구 중 상당한 비중이 볼록 최적화와 같은 다양한 문제를 고안하고 효과적인 해법을 찾는 데 집중되었습니다.

자세한 내용은 Boyd와 Vandenberghe의 볼록 최적화를 참고하세요.

볼록 집합

하위 집합의 두 점 사이에 그어진 선이 하위 집합 내에 완전히 남아 있는 유클리드 공간의 하위 집합입니다. 예를 들어 다음 두 도형은 볼록 집합입니다.

반면 다음 두 도형은 볼록 집합이 아닙니다.

컨볼루션

#image

수학적으로 가볍게 말하자면 두 가지 함수가 혼합된 것입니다. 머신 내 컨볼루션은 학습된 모델에 따라 컨볼루셔널 필터와 입력 행렬입니다. 이는 가중치를 학습시키기 위함입니다.

'컨볼루션'이라는 용어 머신러닝에서는 종종 이는 컨볼루셔널 연산이나 컨볼루셔널 레이어를 정의할 수 있습니다

컨볼루션이 없으면 머신러닝 알고리즘이 큰 텐서의 모든 셀에 있어서 별도의 가중치를 학습해야 합니다. 예를 들어 2,000x2,000 크기의 이미지를 학습하는 머신러닝 알고리즘은 4백만 개의 개별 가중치를 찾습니다. 컨볼루션이 있기 때문에 머신러닝 알고리즘은 컨볼루션 필터에 있는 모든 셀의 가중치만 찾아도 되고, 이로 인해 모델 학습에 필요한 메모리가 크게 줄어듭니다. 컨볼루션 필터가 적용되면 각 필터가 필터로 곱해지도록 셀 전체에 복제됩니다.

자세한 내용은 컨볼루셔널 신경망 소개 네트워크 이미지 분류 과정에서 확인하시기 바랍니다.

컨볼루션 필터

#image

컨볼루션 연산에서 사용되는 두 가지 중 하나입니다. 다른 행위자는 입력 행렬의 슬라이스입니다. 컨볼루션 필터는 입력 행렬과 순위는 동일하지만 모양은 더 작은 행렬입니다. 예를 들어 입력 행렬이 28x28인 경우 필터는 28x28보다 작은 경우

사진 조작에서 컨볼루셔널 필터의 모든 셀은 일반적으로 1과 0의 일정한 패턴으로 설정됩니다. 머신러닝에서는 컨볼루셔널 필터는 일반적으로 랜덤 숫자로 시드된 다음 네트워크는 이상적인 값을 학습합니다.

컨볼루션을 참조하세요. 이미지 분류 과정에서 확인하시기 바랍니다.

컨볼루셔널 레이어

#image

심층신경망의 한 레이어로, 입력 행렬에 컨볼루션 필터를 적용합니다. 예를 들어 다음과 같은 3x3 크기를 컨볼루셔널 필터:

다음 애니메이션은 9로 구성된 컨볼루셔널 레이어를 보여줍니다. 5x5 입력 행렬과 관련된 컨볼루셔널 연산입니다. 각 컨볼루션 연산은 입력 행렬의 서로 다른 3x3 슬라이스에 작용합니다. 결과 3x3 행렬(오른쪽)은 9개의 컨볼루션 연산의 결과로 구성됩니다.

자세한 내용은 이미지 분류 과정의 전체 연결 레이어를 참고하세요.

컨볼루셔널 신경망

#image

하나 이상의 레이어가 다음에 해당하는 신경망입니다. 컨볼루셔널 레이어. 일반적인 컨볼루셔널 신경망은 다음 레이어의 조합으로 구성됩니다.

• 컨볼루션 레이어
• 풀링 레이어
• 다층 레이어

컨볼루션 신경망은 이미지 인식과 같은 특정 유형의 문제에서 큰 성공을 거두었습니다.

컨볼루션 연산

#image

컨볼루션 연산은 다음과 같은 2단계 수학 연산입니다.

1. 컨볼루션 필터 및 입력 행렬의 슬라이스 등 요소별 곱셈입니다. (입력 행렬의 슬라이스는 순위가 동일하고 컨볼루셔널 필터로 설정할 수 있습니다.)
2. 곱셈의 결과로 얻어지는 행렬 내 모든 값의 합계입니다.

예를 들어 다음과 같은 5x5 입력 행렬을 살펴보겠습니다.

이제 다음과 같은 2x2 컨볼루션 필터를 가정해 보겠습니다.

각 컨볼루셔널 연산은 입력 행렬입니다. 예를 들어, 입력 행렬의 왼쪽 상단입니다. 따라서 이 슬라이스의 컨볼루션 연산은 다음과 같습니다.

컨볼루셔널 레이어는 각각 다른 슬라이스에 대해 작동하는 일련의 컨볼루셔널 연산 인코더-디코더입니다.

비용

손실의 동의어입니다.

공동 학습

준지도 학습 접근 방식 다음 조건이 모두 충족될 때 특히 유용합니다.

• 데이터 세트에서 라벨이 없는 예시와 라벨이 지정된 예시의 비율이 높습니다.
• 이는 분류 문제 (바이너리 또는 다중 클래스).
• 데이터 세트에는 서로 독립적이고 상호 보완적인 두 가지 예측 기능 세트가 포함되어 있습니다.

공동 학습은 기본적으로 독립적인 신호를 더 강한 신호로 증폭합니다. 예를 들어 개별 중고차를 좋음 또는 나쁨으로 분류하는 분류 모델을 생각해 보겠습니다. 예를 들어 한 세트의 예측 기능은 자동차의 연식, 제조업체, 모델과 같은 집계된 특성에 중점을 둘 수 있고, 다른 세트의 예측 기능은 이전 소유자의 운전 기록과 자동차의 유지보수 기록에 중점을 둘 수 있습니다.

공동 학습에 관한 핵심 자료는 라벨이 지정된 데이터와 라벨이 지정되지 않은 데이터를 공동 학습, 개발자 블룸과 미첼.

반사실적 공정성

#fairness

분류기가 하나 이상의 민감한 속성을 제외하고 한 개인에 대해 첫 번째 개인과 동일한 다른 개인에 대해 동일한 결과를 생성하는지 확인하는 공정성 측정항목입니다. 다음에 대한 분류기 평가 반사실적 공정성은 문제의 잠재적 소스를 편향을 줄이는 것입니다.

자세한 내용은 다음 중 하나를 참고하세요.

• 머신러닝 단기집중과정에서 공정성: 대조 가정 공정성
• 두 세계의 충돌: 공정성에 다양한 대안 가정 통합

포함 편향

#fairness

표본 선택 편향을 참고하세요.

중의적 구문

#language

모호한 의미를 가진 문장이나 구입니다. 자연스러운 현상은 중요한 문제를 야기한다. 학습합니다. 예를 들어 광고 제목 Red Tape Holds Up Skyscraper는 이는 NLU 모델이 헤드라인을 문자 그대로 해석하거나 비유적으로 말이죠.

추가 메모를 보려면 아이콘을 클릭하세요.

미스터리한 제목을 명확히 하자면 다음과 같습니다. <ph type="x-smartling-placeholder">

</ph>
• 레드 테이프는 다음 중 하나를 의미할 수 있습니다.
  • 접착제
  • 과도한 관료주의
• Holds Up은 다음 중 하나를 의미할 수 있습니다.
  • 구조적 지원
  • 지연

---

비평가

#rl

딥 Q-Network의 동의어입니다.

교차 엔트로피

로그 손실을 일반화하면 다중 클래스 분류 문제. 교차 엔트로피는 두 확률 분포 간의 차이를 계량합니다. 참고 항목 퍼플렉시티.

교차 검증

학습 세트에서 보류된 하나 이상의 중복되지 않은 데이터 하위 집합을 테스트하여 모델이 새 데이터로 얼마나 효과적으로 일반화될지를 예측하는 메커니즘입니다.

누적 분포 함수(CDF)

타겟 값 이하인 샘플의 빈도를 정의하는 함수입니다. 예를 들어 연속 값의 정규 분포를 생각해 보세요. CDF는 샘플의 약 50% 가 샘플의 약 84% 가 평균보다 작거나 같아야 한다는 것을 표준 편차가 1보다 크도록 할 수 있습니다.

D

데이터 분석

샘플, 측정값, 시각화할 수 있습니다. 데이터 분석은 데이터가 데이터 세트가 먼저 수신된 후 첫 번째 모델이 빌드됩니다. 또한 실험을 이해하고 시스템의 문제를 디버깅하는 데에도 중요합니다.

데이터 증강

#image

기존 예시를 변형하여 추가 예시를 생성함으로써 학습 예시의 범위와 수를 인위적으로 늘립니다. 예를 들어 이미지가 특성 중 하나이지만, 모델에서 유용한 연결을 학습하는 데 충분한 이미지 예가 데이터 세트에 포함되어 있지 않다고 가정합니다. 이 문제를 해결할 수 있도록 라벨이 지정된 이미지를 데이터 세트로 추가하여 모델을 올바르게 학습시킬 수 있습니다 그렇게 할 수 없다면 데이터 증강을 통해 각 이미지를 회전, 확대 및 반사하여 이미지의 다양한 변형을 고품질 이미지를 얻을 수 있도록 라벨이 지정된 데이터를 충분히 생성할 수 있음 Vertex AI Feature Store에서 제공되는

DataFrame

#fundamentals

메모리에 데이터 세트를 표현하는 데 널리 사용되는 Pandas 데이터 유형입니다.

DataFrame은 테이블 또는 스프레드시트와 비슷합니다. DataFrame의 각 열에는 이름(헤더)이 있으며 각 행은 고유한 숫자로 식별됩니다.

DataFrame의 각 열은 2D 배열처럼 구조화됩니다. 다만 각 열에 자체 데이터 유형을 할당할 수 있습니다.

공식 pandas.DataFrame 참조 페이지도 참고하세요.

데이터 동시 로드

전체 모델을 여러 기기에 복제한 다음 입력 데이터의 하위 집합을 각 기기에 전달하는 학습 또는 추론 확장 방법입니다. 데이터 병렬 처리를 사용하면 매우 큰 배치 크기에서 학습 및 추론을 실행할 수 있습니다. 그러나 데이터 병렬 처리를 사용하려면 모델이 모든 기기에 맞을 만큼 작아야 합니다.

데이터 동시 로드는 일반적으로 학습 및 추론 속도를 높입니다.

모델 동시 로드도 참고하세요.

데이터 세트(data set 또는 dataset)

#fundamentals

일반적으로 (그러나 배타적이지 않음) 하나로 구성된 원시 데이터 컬렉션입니다. 다음과 같은 형식으로 구성됩니다.

• 스프레드시트
• CSV(쉼표로 구분된 값) 형식의 파일

Dataset API(tf.data)

#TensorFlow

데이터를 읽고 머신러닝 알고리즘이 요구하는 형태로 변환하는 상위 수준의 TensorFlow API입니다. tf.data.Dataset 객체는 일련의 요소를 나타내며, 각 요소에는 하나 이상의 텐서가 포함됩니다. tf.data.Iterator 객체는 Dataset의 요소에 대한 액세스를 제공합니다.

결정 경계

구분선 학습한 클래스를 model 형식의 바이너리 클래스 또는 다중 클래스 분류 문제. 예를 들어 이는 이진 분류 문제를 나타냅니다. 결정 경계는 주황색 클래스와 주황색 클래스 사이의 경계선입니다. 블루 클래스입니다.

결정 포레스트

#df

여러 결정 트리에서 생성된 모델 결정 포레스트는 결정 트리의 예측을 집계하여 예측합니다. 인기 있는 의사결정 포레스트 유형에는 랜덤 포레스트와 경사 부스팅 트리가 있습니다.

자세한 내용은 결정 숲 섹션을 참조하세요.

결정 기준

분류 임곗값의 동의어입니다.

결정 트리

#df

일련의 집합으로 구성된 지도 학습 모델 조건과 리프는 계층적으로 구성됩니다. 다음은 결정 트리의 예입니다.

decoder

#language

일반적으로 처리된, 밀집된 또는 내부 표현을 더 원시적이고 희소하거나 외부 표현으로 변환하는 모든 ML 시스템입니다.

디코더는 더 큰 모델의 구성요소인 경우가 많으며 여기서 인코더와 자주 페어링됩니다.

시퀀스 대 시퀀스 태스크에서 디코더는 다음 시퀀스를 예측하기 위해 인코더에서 생성된 내부 상태로 시작합니다.

내부에서 디코더의 정의는 트랜스포머를 참조하세요. 살펴보겠습니다

자세한 내용은 머신러닝 단기집중과정의 대규모 언어 모델을 참고하세요.

심층 모델

#fundamentals

둘 이상을 포함하는 신경망 히든 레이어.

심층 모델은 심층신경망이라고도 합니다.

와이드 모델과 대비되는 개념입니다.

심층신경망

심층 모델의 동의어입니다.

Deep Q-Network (DQN)

#rl

Q-학습에서 Q-함수를 예측하는 심층 신경망입니다.

Critic은 Deep Q-Network의 동의어입니다.

인구통계 동등성

#fairness

다음 경우에 충족되는 공정성 측정항목 모델의 분류 결과는 민감한 속성이 있는 경우).

예를 들어 릴리푸티안과 브로드빙낵인이 모두 글럽두브드리브 대학에 지원하는 경우, 한 그룹이 다른 그룹보다 평균적으로 더 자격이 있는지와 관계없이 합격한 릴리푸티안의 비율이 합격한 브로드빙낵인의 비율과 동일하면 인구통계적 동질성이 달성된 것입니다.

평등한 확률 및 기회 균등성과는 대조적입니다. 이 두 가지는 집계된 분류 결과가 민감한 속성에 종속되도록 허용하지만 특정 지정된 실측값 라벨의 분류 결과가 민감한 속성에 종속되도록 허용하지 않습니다. 인구통계적 균등성을 위해 최적화할 때의 절충점을 보여주는 시각화를 확인하려면 '더 스마트한 머신러닝으로 차별을 타파하는 방법'을 참고하세요.

공정성: 인구통계를 참조하세요. 동등성 에서 머신러닝 단기집중과정을 참조하세요.

노이즈 제거

#language

자기 지도 학습의 일반적인 접근 방식 여기에서

1. 노이즈는 데이터 세트에 인위적으로 추가됩니다.
2. 모델은 노이즈를 제거하려고 시도합니다.

노이즈 제거를 사용하면 라벨이 없는 예를 학습할 수 있습니다. 원본 데이터 세트는 타겟 또는 라벨로, 노이즈 데이터는 입력으로 사용됩니다.

일부 마스크된 언어 모델은 노이즈 제거 기능을 방법은 다음과 같습니다.

1. 일부 토큰을 마스킹하여 라벨이 지정되지 않은 문장에 노이즈를 인위적으로 추가합니다.
2. 모델은 원래 토큰을 예측하려고 시도합니다.

밀집 특성

#fundamentals

대부분의 값 또는 모든 값이 0이 아닌 특성으로, 일반적으로 부동 소수점 값의 Tensor입니다. 예를 들어 다음 10개 요소 텐서는 9개의 값이 0이 아니므로 밀집 텐서입니다.

8

3

7

5

2

4

0

4

9

6

희소 특성과 대비되는 개념입니다.

밀집 레이어

완전 연결 레이어의 동의어입니다.

깊이

#fundamentals

신경망에서 다음의 합계입니다.

• 히든 레이어의 수
• 출력 레이어 수(일반적으로 1)
• 모든 임베딩 레이어의 수

예를 들어 히든 레이어 5개와 출력 레이어 1개가 있는 신경망의 깊이는 6입니다.

입력 레이어는 깊이에 영향을 미치지 않습니다.

깊이별 분리 가능한 컨볼루셔널 신경망 (sepCNN)

#image

컨볼루셔널 신경망 아키텍처 기반의 시작, Inception 모듈이 깊이별 분리 가능 모듈로 대체되는 경우 컨볼루션을 생성합니다. Xception이라고도 합니다.

깊이별 분리 가능한 컨볼루션 (분리 가능한 컨볼루션이라고도 함) 표준 3D 컨볼루션을 두 개의 개별 컨볼루션 연산으로 인수분해합니다. 심도별 컨볼루션을 살펴보겠습니다. 깊이 1 (n ✕ n ✕ 1)이고 두 번째는 점별 컨볼루션입니다. 길이와 너비가 1 (1 ✕ 1 ✕ n)입니다.

자세한 내용은 Xception: Depthwise Separable Convolutions를 사용한 딥 러닝을 참고하세요.

파생 라벨

프록시 라벨의 동의어입니다.

기기

#TensorFlow

#GoogleCloud

다음 두 가지 정의가 가능한 중복 용어입니다.

1. 다음과 같이 TensorFlow 세션을 실행할 수 있는 하드웨어 카테고리입니다. CPU, GPU, TPU.
2. 가속기 칩(GPU 또는 TPU)에서 ML 모델을 학습할 때 텐서 및 임베딩을 실제로 조작하는 시스템의 일부입니다. 기기가 가속기 칩에서 실행됩니다. 반면 호스트는 일반적으로 CPU에서 실행됩니다.

개인 정보 차등 보호

머신러닝에서 민감한 정보를 보호하기 위한 익명처리 접근 방식 (예: 개인의 개인 정보)을 모델의 특성에 학습 세트가 노출되지 않도록 합니다. 이러한 접근 방식은 모델이 특정 주제에 대해 많이 학습하거나 기억하지 못하는 있습니다. 이는 모델 학습 중에 샘플링하고 노이즈를 더해 개별 데이터 포인트를 은폐하여 데이터 포인트의 노출 위험을 학습 데이터를 얻는 방법을 학습합니다.

개인 정보 차등 보호는 머신러닝 외부에서도 사용됩니다. 예를 들어 데이터 과학자는 다양한 인구통계에 대한 제품 사용 통계를 계산할 때 개인 정보 차등 보호를 사용하여 개인 정보를 보호하는 경우가 있습니다.

차원 축소

일반적으로 임베딩 벡터로 변환하여 특징 벡터에서 특정 특성을 나타내는 데 사용되는 차원 수를 줄입니다.

측정기준

다음과 같은 정의로 중복 정의된 용어입니다.

• Tensor의 좌표 수준 수입니다. 예를 들면 다음과 같습니다.

  • 스칼라에는 차원이 0입니다. 예: ["Hello"]
  • 벡터에는 1개의 차원(예: [3, 5, 7, 11])이 있습니다.
  • 행렬에는 2개의 차원(예: [[2, 4, 18], [5, 7, 14]])이 있습니다. 좌표가 하나인 1차원 벡터에서 특정 셀을 고유하게 지정할 수 있습니다. 2차원 행렬에서 특정 셀을 고유하게 지정하려면 두 개의 좌표가 필요합니다.

• 특성 벡터의 항목 수입니다.

• 임베딩 레이어의 요소 수입니다.

직접 프롬프트

#language

#generativeAI

제로샷 프롬프팅의 동의어입니다.

불연속 특성

#fundamentals

가능한 값의 유한 집합을 갖는 특성입니다. 예를 들어 값이 animal, vegetable 또는 mineral일 수 있는 특성은 불연속(또는 카테고리) 특성입니다.

연속 특성과 대비되는 개념입니다.

분류 모델

하나 이상의 집합에서 라벨을 예측하는 모델 더 많은 기능을 살펴보세요. 더 엄밀히 말하자면 분류 모델은 특성과 가중치를 고려한 출력의 조건부 확률을 정의합니다. 즉,

p(output | features, weights)

예를 들어 특성과 가중치에서 이메일이 스팸인지 여부를 예측하는 모델은 분류 모델입니다.

분류 모델과 회귀 모델을 비롯한 다양한 지도 학습 모델이 분류 모델에 해당됩니다.

생성 모델과 대비되는 개념입니다.

분류자

예가 진짜인지 가짜인지 여부를 결정하는 시스템입니다.

또는 생성형 적대 신경망 내 하위 시스템으로, 생성기에서 생성된 예시가 진짜인지 가짜인지 여부를 결정합니다.

분류자를 참고하세요. GAN 과정에서 확인하세요.

서로 다른 영향

#fairness

다양한 집단에 영향을 미치는 사람들에 관한 의사 결정 하위 그룹이 불균형합니다. 이는 일반적으로 알고리즘 기반 의사 결정 프로세스가 일부 하위 그룹에 다른 하위 그룹보다 더 많은 피해를 주거나 이익을 주는 상황을 말합니다.

예를 들어 난민의 치수를 알아내는 알고리즘이 소형 주택 대출을 받을 자격이 있는 경우 '요건 미충족'으로 표시됩니다. 우편 주소에 특정 우편번호를 입력하세요. Big-Endian Lilliputians가 Little-Endian Lilliputians보다 이 우편번호가 포함된 우편 주소를 보유할 가능성이 더 높다면 이 알고리즘으로 인해 차별적인 영향을 미칠 수 있습니다.

하위 그룹 특성이 알고리즘 기반 의사 결정 프로세스에 명시적으로 입력될 때 발생하는 불균형에 초점을 맞추는 차별적 대우와는 대조적입니다.

이질적 처리

#fairness

다양한 하위 그룹을 다르게 대우하도록 알고리즘 기반 의사 결정 프로세스에 피험자의 민감한 속성을 고려하는 경우

예를 들어 난쟁이의 편을 주택담보대출 자격을 얻기 위한 대출 신청 시 제공하는 데이터에 적합합니다 알고리즘이 Lilliputian의 제휴를 Big-Endian 또는 Little-Endian으로 입력하면 해당 차원에 따라 상이한 취급을 적용합니다

상이한 영향과 달리 하위 그룹에 대한 알고리즘 결정이 사회적으로 미치는 영향의 불균형 하위 그룹이 모델에 대한 입력인지 여부와는 상관없습니다.

경고: 민감한 속성은 거의 항상 데이터에 포함되어 있을 수 있는 기타 특성으로 민감한 속성을 명시적으로 삭제 하위 그룹이 동등하게 취급된다는 보장은 없습니다. 예: 교육에서 민감한 인구통계 속성을 삭제합니다. 여전히 특성으로 우편번호를 포함하는 데이터 세트는 상이한 주소를 다룰 수 있습니다 부분집단 치료는 있지만 아직도 왜냐하면 이 집단에 상이한 영향을 미치는 이유는 우편번호는 다른 주소의 프록시로 사용할 수 있으며 제공합니다.

정제

#generativeAI

하나의 모델(티처라고 함)의 크기를 원래 모델의 예측을 최대한 충실하게 에뮬레이션하는 더 작은 모델(스튜던트라고 함)로 줄이는 프로세스입니다. 소규모 모델은 대규모 모델(티처)에 비해 두 가지 주요 이점이 있으므로 정제는 유용합니다.

• 추론 시간 단축
• 메모리 및 에너지 사용량 감소

그러나 학생의 예측은 일반적으로 교사의 예측만큼 정확하지 않습니다.

정제는 스튜던트 모델을 학습시켜 출력 간 차이를 기반으로 하는 손실 함수 모델 예측 예측을 제공합니다.

다음 용어와 함께 증류를 비교 및 대조하세요.

• 미세 조정
• 프롬프트 기반 학습

자세한 내용은 머신러닝 단기집중과정의 LLM: 미세 조정, 추출, 프롬프트 엔지니어링을 참고하세요.

배포

지정된 지형지물 또는 라벨의 다양한 값의 빈도 및 범위입니다. 분포는 특정 값의 가능성을 포착합니다.

다음 이미지는 두 가지 배포의 히스토그램을 보여줍니다.

• 왼쪽은 부의 지수 분포와 부를 보유한 사람 수를 나타냅니다.
• 오른쪽은 키 대 사람 수의 정규 분포 그 높이를 지니고 있어야 합니다.

각 특성과 라벨의 분포를 이해하면 값을 정규화하고 이상점을 감지합니다.

분산이라는 문구는 표에 나타나지 않는 값을 말합니다. 매우 드뭅니다. 예를 들어 토성의 이미지는 고양이 이미지로 구성된 데이터 세트의 경우 분포 외로 간주됩니다.

분열적 군집화

#clustering

계층적 군집화를 참고하세요.

다운샘플링

#image

중복으로 정의된 용어로, 다음 중 하나를 의미할 수 있습니다.

• 특성에서 제공하는 정보의 양을 줄이는 것은 보다 효율적으로 학습할 수 있습니다. 예를 들어 이미지 인식 모델을 학습시키기 전에, 고해상도 이미지를 다운샘플링하여 더 낮은 해상도 형식으로 변환할 수 있습니다
• 기반이 취약한 클래스에 대한 모델 학습을 개선하기 위해 과대 표현된 클래스의 예시를 불균형적으로 낮은 비율로 학습합니다. 예를 들어 클래스 불균형 데이터 세트에서는 모델이 다수 클래스에 관해 많이 학습하고 소수 클래스에 관해 충분히 학습하지 않는 경향이 있습니다. 다운샘플링을 사용하면 다수 클래스와 소수 클래스에 대한 학습량을 균형 조정할 수 있습니다.

데이터 세트: 불균형을 참조하세요. 데이터 세트 에서 머신러닝 단기집중과정을 참조하세요.

DQN

#rl

딥 Q 네트워크의 약어입니다.

드롭아웃 정규화

학습에 유용한 정규화의 한 형태 신경망입니다. 드롭아웃 정규화는 단일 경사 단계에 대해 네트워크 레이어의 유닛을 고정된 개수만큼 무작위로 선택하여 삭제합니다. 드롭아웃된 단위가 많을수록 정규화가 강력해집니다. 이는 더 작은 네트워크로 이루어진 대규모 앙상블을 모방하도록 네트워크를 학습시키는 것과 비슷합니다. 자세한 내용은 다음을 참고하세요. 드롭아웃: 신경망이 공격으로 인한 피해를 막는 간단한 방법 과적합.

동적

#fundamentals

자주 또는 지속적으로 수행되는 작업 동적과 온라인은 머신러닝에서 동의어입니다. 다음은 머신에서 동적 및 온라인의 일반적인 용도입니다. 학습:

• 동적 모델(또는 온라인 모델)은 자주 또는 지속적으로 재학습되는 모델입니다.
• 동적 학습(또는 온라인 학습)은 자주 또는 지속적으로 학습하는 프로세스입니다.
• 동적 추론(또는 온라인 추론)은 요청 시 예측을 생성하는 프로세스입니다.

동적 모델

#fundamentals

자주(또는 지속적으로) 재학습되는 모델입니다. 동적 모델은 '평생 학습자' 저것 진화하는 데이터에 지속적으로 적응합니다 동적 모델은 온라인 모델을 참조하세요.

정적 모델과 대비되는 개념입니다.

E

즉시 실행

#TensorFlow

작업이 즉시 실행되는 TensorFlow 프로그래밍 환경입니다. 반대로 지연 실행에서 호출되는 작업은 명시적으로 평가될 때까지 실행되지 않습니다. 즉시 실행은 대부분의 프로그래밍 언어로 된 코드와 마찬가지로 명령형 인터페이스입니다. 즉시 실행 프로그램은 일반적으로 그래프 실행 프로그램보다 디버그하기가 훨씬 쉽습니다.

조기 중단

#fundamentals

학습 손실이 감소하기 전에 학습을 종료하는 정규화 방법입니다. 조기 중단에서는 의도적으로 모델 학습을 중단합니다. 검증 데이터 세트의 손실이 increase; 즉, 일반화 성능이 악화됩니다.

추가 메모를 보려면 아이콘을 클릭하세요.

조기 중단은 직관에 어긋나는 것처럼 보일 수 있습니다. 결국, 모델이 학습한 내용을 중단하도록 손실이 계속 감소하고 있는 도중에는 요리사에게 디저트가 완전히 구워지기 전에 요리를 멈춰야 합니다. 하지만 모델을 너무 오래 학습하면 과적합이 발생할 수 있습니다. 즉, 만약 모델이 너무 오래 학습하면 모델이 학습 데이터에 너무 가깝게 적합되어 모델이 새로운 예를 제대로 예측하지 못합니다.

---

지구 이동자 거리 (EMD)

두 분포의 상대적 유사성에 대한 척도입니다. 지면 이동자의 거리가 짧을수록 분포가 더 유사합니다.

수정 거리

#language

두 텍스트 문자열 간의 유사성을 측정한 값입니다. 머신러닝에서 거리 수정은 두 문자열을 비교하는 효과적인 방법, 주어진 문자열과 유사한 문자열을 찾습니다.

편집 거리에는 여러 가지 정의가 있으며 각각 서로 다른 문자열을 사용합니다. 사용됩니다. 예를 들어 <ph type="x-smartling-placeholder"></ph> 레벤슈타인 거리 가장 적은 삭제, 삽입, 대체 작업을 고려합니다.

예를 들어 'heart'와 'darts'의 레벤슈테인 거리는 3입니다. 다음 3가지 수정사항이 한 단어를 다른 단어로 바꾸는 데 필요한 최소 변경사항이기 때문입니다.

1. heart → deart('h'를 'd'로 대체)
2. deart → dart('e' 삭제)
3. 다트 → 다트('s' 삽입)

에인섬 표기법

두 개의 텐서가 어떻게 진행되는지 설명하는 효율적인 표기법 합쳐집니다. 하나의 텐서의 요소를 곱하여 텐서가 결합됩니다. 다른 텐서의 요소로 나눈 다음 곱을 합산합니다. Einsum 표기법은 기호를 사용하여 각 텐서의 축을 식별하며, 동일한 기호가 재정렬되어 결과적으로 생성되는 새 텐서의 모양을 지정합니다.

NumPy는 일반적인 Einsum 구현을 제공합니다.

임베딩 레이어

#language

#fundamentals

고차원 카테고리 특성으로 학습하여 점진적으로 하위 차원 임베딩 벡터를 학습하는 특수한 숨겨진 레이어입니다. 임베딩 레이어를 사용하면 신경망이 고차원 카테고리 특성만으로 학습하는 것보다 훨씬 더 효율적으로 학습할 수 있습니다.

예를 들어 현재 지구에는 약 73,000가지의 수종이 생식하고 있습니다. 나무 종이 모델의 특성이므로 모델의 입력 레이어에 73,000개 요소 길이의 원-핫 벡터가 포함되어 있다고 가정해 보겠습니다. 예를 들어 baobab는 다음과 같이 표현할 수 있습니다.

73,000개 요소 배열은 매우 깁니다. 임베딩 레이어를 추가하지 않는 경우 모델을 학습시키는 데는 시간이 많이 걸릴 것입니다. 72,999개의 0을 곱합니다. 임베딩 레이어를 사용하여 12개 차원으로 이루어져 있습니다. 따라서 임베딩 레이어는 각 나무 종에 관한 새로운 임베딩 벡터를 점진적으로 학습합니다.

특정 상황에서는 해싱이 합리적인 대안입니다. 임베딩 레이어에 있습니다

임베딩을 참고하세요. 에서 머신러닝 단기집중과정을 참조하세요.

임베딩 공간

#language

고차원 벡터 공간의 특성이 매핑되는 d차원 벡터 공간입니다. 의미 있는 수학적 결과를 산출하는 구조가 임베딩 공간에 포함되는 것이 이상적입니다. 예를 들어 이상적인 임베딩 공간에서 임베딩 더하기 및 빼기를 통해 단어 유추 작업을 해결할 수 있습니다.

내적 두 임베딩의 유사성 척도입니다.

임베딩 벡터

#language

대체적으로 숨겨진 레이어의 입력을 설명하는 모든 숨겨진 레이어에서 가져온 부동 소수점 수 배열입니다. 임베딩 벡터는 종종 모델 학습 단계에서 학습된 부동 소수점 수의 임베딩 레이어입니다. 예를 들어 임베딩 레이어가 임베딩 벡터를 생성합니다. 아마도 다음 배열은 바오밥 나무의 임베딩 벡터입니다.

임베딩 벡터는 일련의 난수가 아닙니다. 임베딩 레이어 이러한 값을 결정하는데 이는 모델 학습과 유사하게 신경망은 학습 중에 다른 가중치를 학습합니다. 배열의 각 요소는 나무 종의 특성에 따른 평가입니다. 대상 요소는 어떤 수종의 나무 종인지 특성은 무엇인가요? 진짜 힘들어 인간이 결정할 수 있는 것이죠.

임베딩 벡터의 수학적으로 주목할 만한 부분은 유사한 항목이 유사한 부동 소수점 숫자 집합을 갖는다는 점입니다. 예를 들어 유사한 나무 종은 유사하지 않은 나무 종보다 더 유사한 부동 소수점 수를 갖습니다. 삼나무와 세쿼이아는 서로 관련된 나무종이지만 따라서 다른 셀보다 더 유사한 부동 소수점 수 코코넛 야자수죠. 임베딩 벡터의 숫자는 모델을 재학습시킨 경우에도 모델을 재학습시킬 때마다 변경 동일한 입력 값을 사용합니다.

경험적 누적 분포 함수 (eCDF 또는 EDF)

실제 데이터 세트의 실험적 측정값을 기반으로 하는 누적분포함수입니다. x축의 임의 지점에서 함수의 값은 지정된 값보다 작거나 같은 관측값의 비율입니다.

경험적 위험 최소화(ERM)

학습 세트에서 손실을 최소화하는 함수 선택 구조적 위험 최소화와 대비되는 개념입니다.

인코더

#language

일반적으로 원시, 희소 또는 외부 표현을 더 처리되고, 더 밀집되거나, 더 내부적인 표현으로 변환하는 모든 ML 시스템입니다.

인코더는 종종 더 큰 모델의 구성요소이며, 여기서 디코더와 함께 사용되는 경우가 많습니다. 몇몇 Transformer는 인코더와 디코더를 페어링하지만, 다른 Transformer는 인코더만 사용하여 디코더만 반환합니다.

일부 시스템은 인코더의 출력을 분류 또는 입력 문장의 입력으로 회귀 신경망입니다.

시퀀스 대 시퀀스 작업에서 인코더는 입력 시퀀스를 사용하여 내부 상태(벡터)를 반환합니다. 그런 다음 디코더는 이 내부 상태를 사용하여 다음 시퀀스를 예측합니다.

인코더 정의는 변환기를 살펴보겠습니다

LLM: 대규모 언어란? 모델 에서 머신러닝 단기집중과정을 참조하세요.

앙상블

독립적으로 학습되었으며 예측이 포함된 모델 모음 평균값 또는 집계된 값입니다. 대부분의 경우 앙상블은 단일 모델보다 더 나은 예측을 생성합니다. 예를 들어 랜덤 포레스트는 여러 결정 트리로 구성된 앙상블입니다. 모든 결정 포레스트가 앙상블은 아닙니다.

Random 포레스트 에서 머신러닝 단기집중과정을 참조하세요.

엔트로피

#df

포함 <ph type="x-smartling-placeholder"></ph> 정보 이론, 예측 불가능한 확률에 대한 설명 있습니다. 또한 엔트로피는 양으로부터 각 예에 포함된 정보 확률 분포는 랜덤 변수의 모든 값이 동일한 확률을 보일 때 최대 엔트로피를 갖습니다.

가능한 두 값 '0'과 '1'이 있는 집합의 엔트로피(예: 이진 분류 문제의 라벨)는 다음과 같은 수식을 갖습니다.

  H = -p log p - q log q = -p log p - (1-p) * log (1-p)

각 항목의 의미는 다음과 같습니다.

• H는 엔트로피입니다.
• p는 '1' 예시의 비율입니다.
• q는 '0' 예시의 비율입니다. q = (1 - p)인 것을 볼 수 있습니다.
• log는 일반적으로 log₂입니다. 이 경우 엔트로피 단위는 비트입니다.

예를 들어 다음을 가정합니다.

• 100개의 예시 중 '1' 값이 포함된 예시가 10개
• 300개의 예시가 '0' 값을 포함합니다.

따라서 엔트로피 값은 다음과 같습니다.

• p = 0.25
• q = 0.75
• H = (-0.25)log₂(0.25) - (0.75)로그₂(0.75) = 예당 0.81비트

완벽하게 균형을 이룬 세트 (예: '0' 200개 및 '1' 200개) 예당 1.0비트의 엔트로피가 있을 것입니다. 세트가 점점 더 불균형이면 엔트로피가 0.0을 향해 이동합니다.

결정 트리에서 엔트로피는 정보 획득을 통해 splitter - conditions 선택 될 수 있다는 것을 알 수 있습니다.

엔트로피를 다음과 비교:

• gini impurity
• 교차 엔트로피 손실 함수

엔트로피는 흔히 섀넌의 엔트로피라고 합니다.

숫자를 사용한 이진 분류용 정확한 분할기 참조 기능 결정 포레스트 과정에서 살펴 보세요

환경

#rl

강화 학습에서 에이전트가 포함되어 있고 에이전트가 해당 환경의 상태를 관찰할 수 있는 환경입니다. 예를 들어 표현된 세계는 체스와 같은 게임일 수도 있고, 실제 세계일 수도 있습니다. 미로 에이전트가 환경에 작업을 적용하면 환경이 상태 간에 전환됩니다.

에피소드

#rl

강화 학습에서 에이전트가 환경을 학습하기 위해 반복적으로 시도하는 각 작업입니다.

에포크

#fundamentals

전체 학습 세트에 대한 전체 학습 패스 각 예는 한 번씩 처리됩니다.

에포크는 N/배치 크기를 나타냅니다. 학습 반복으로, 여기서 N는 총 예시 수입니다.

예를 들어 다음을 가정해 보겠습니다.

• 데이터 세트는 1,000개의 예로 구성됩니다.
• 배치 크기는 예시 50개입니다.

따라서 단일 에포크에는 20번의 반복이 필요합니다.

1 epoch = (N/batch size) = (1,000 / 50) = 20 iterations

선형 회귀: 초매개변수 에서 머신러닝 단기집중과정을 참조하세요.

엡실론 탐욕 정책

#rl

강화 학습에서는 엡실론 가능성이 있는 무작위 정책 또는 그렇지 않은 경우 그리디 정책을 따릅니다. 예를 들어 엡실론이 0.9인 경우 정책은 90% 의 확률로 무작위 정책을 따르며 10% 는 정책을 준수해야 합니다.

알고리즘은 연속적인 에피소드에서 엡실론 값을 순서대로 줄입니다. 무작위 정책에서 탐욕적인 정책으로 전환하는 것입니다. 작성자: 정책을 변경하면 에이전트는 먼저 환경을 무작위로 탐색하고 무작위 탐색의 결과를 탐욕스럽게 이용합니다.

기회의 균등

#fairness

모델이 다음에 해당하는지 여부를 평가하기 위한 공정성 측정항목 모든 값에 대해 동일한 결과를 예측할 수 있어야 합니다 민감한 속성. 즉, 모델에 바람직한 결과는 포지티브 클래스입니다. 목표는 참양성률을 모든 그룹에서 동일합니다.

기회의 균등은 평등한 확률과 관련이 있으며, 이 경우 참양성률과 거짓양성률이 모든 그룹에서 모두 동일해야 합니다.

Glubbdubdrib 대학에서 엄격한 수학 프로그램에 릴리푸티안과 브로드빙낵인 모두를 입학시키기로 했다고 가정해 보겠습니다. 백합 중학교에서는 탄탄한 수학 커리큘럼이 있으며 대다수의 학생이 대학 프로그램 자격을 얻었습니다. 브로딩나기언스 중학교에서는 수학 수업을 전혀 제공하지 않으며, 그 결과 수학 수업을 듣는 학생 수가 훨씬 적습니다. 있습니다. 선호하는 라벨에는 기회의 균등이 충족된다. '수락됨' 국적 (릴리푸트 또는 브로딩나기안)에 따라 자격요건에 부합하는 학생의 경우 난쟁이족 또는 브로딩나기안이 아니에요.

예를 들어 100명의 릴리푸티안과 100명의 브로드빙낵인이 글럽두브드리브 대학에 지원하고 다음과 같이 입학 결정이 내려졌다고 가정해 보겠습니다.

표 1. Lilliputian 신청자(90%가 자격 요건을 충족함)

	적격성 확인됨	자격 없음
Admitted(수락됨)	45	3
거부됨	45	7
합계	90	10
합격한 학생 비율: 45/90 = 50% 자격을 충족하지 못하는 학생 비율: 7/10 = 70% 입학률(45+3)/100 = 48%

 

표 2. 브로브딩나기안 신청자 (10% 가 적격):

	적격성 확인됨	자격 없음
Admitted(수락됨)	5	9
거부됨	5	81
합계	10	90
자격 요건을 충족하는 학생 중 합격한 비율: 5/10 = 50% 자격 요건을 충족하지 않는 학생 중 탈락한 비율: 81/90 = 90% 브로드빙거니아 학생 중 합격한 총 비율: (5+9)/100 = 14%

앞의 예는 공정성을 수용하는 기회의 균등을 충족한다 유능한 릴리퓨티언과 브로딩나지안이 모두 접수될 확률이 50% 입니다

기회의 균등은 충족되지만 다음 두 가지 공정성 측정항목은 충족되지 않습니다.

• 인구통계 동등성: 릴리푸티안과 브로드빙낵인 학생이 대학에 합격하는 비율이 다릅니다. 릴리푸티안 학생의 48%가 합격하지만 브로드빙낵인 학생의 경우 14%만 합격합니다.
• 동등한 승률: 적격한 릴리퓨티(Illiputian) 브로딩나기안 학생 모두 입학 기회가 동일하기 때문에 또 다른 제약조건으로 인해 브로딩나기란 둘 다 거절당할 확률이 똑같은 건 아니지 고객 만족도를 높일 수 있습니다 자격을 갖춘 난쟁이의 거부율은 70% 인 반면, 자격을 갖추지 못한 브로딩나기어의 거부율은 90% 입니다.

공정성: 동등성 기회 에서 머신러닝 단기집중과정을 참조하세요.

동등한 배당률

#fairness

모델이 양성 클래스와 음성 클래스에 대해 민감한 속성의 모든 값에 대해 동일하게 잘 예측하는지 평가하는 공정성 측정항목입니다. 단지 한 클래스만이 아니라 두 클래스 모두에 대해 평가합니다. 즉, 참양성률과 거짓음성률과 거짓음성률은 모든 그룹에 적용됩니다.

균등화된 확률은 다음과 관련이 있습니다. 기회의 평등은 단일 클래스 (양수 또는 음수)의 오류율에 관한 정보를 제공합니다.

예를 들어 Glubbdubdrib 대학에서 엄격한 수학 프로그램을 제공하고 있으며, Lilliputian과 Brobdingnagian 모두 이 프로그램에 참여한다고 가정해 보겠습니다. 릴리푸티안의 중등학교는 수학 수업의 강력한 커리큘럼을 제공하며, 대다수의 학생이 대학 프로그램에 참여할 자격을 갖추고 있습니다. 브로딩나기언스 보조 학교에서는 수학 수업을 전혀 제공하지 않기 때문에 수강할 수 있습니다. 신청자가 리리푸티안이든 브로드빙낵인 이든 자격 요건을 충족하는 경우 프로그램에 합격할 가능성이 동일하고 자격 요건을 충족하지 않는 경우 거부될 가능성이 동일하다면 동등한 기회가 보장됩니다.

100명의 난쟁이족과 100명의 브로딩나기안이 글러브더브드리브에 지원한다고 가정해 봅시다. 대학 및 입학 결정은 다음과 같이 이루어집니다.

표 3. 릴리퓨티(lilliputian) 지원자(90% 가 적격)

	적격성 확인됨	자격 없음
Admitted(수락됨)	45	2
거부됨	45	8
합계	90	10
합격한 학생 비율: 45/90 = 50% 자격을 충족하지 못하는 학생 비율: 8/10 = 80% 입학률(45+2)/100 = 47%

 

표 4. Brobdingnagian 신청자(자격 요건을 충족하는 신청자: 10%):

	적격성 확인됨	자격 없음
Admitted(수락됨)	5	18
거부됨	5	72
합계	10	90
합격한 학생 비율: 5/10 = 50% 자격을 충족하지 못하는 학생 비율: 72/90 = 80% 브로브딩나기안 학생 중 전체 입학률: (5+18)/100 = 23%

자격을 갖춘 릴리푸티안과 브라브딩나기안이 두 학생은 모두 입학 확률이 50% 이며 Brobdingnagian은 거부될 가능성이 80% 입니다

참고: 여기에서는 균등화된 확률이 충족되지만 인구통계 균등성은 충족되지 않습니다. 리리프투스와 브로드빙낵 학생이 글럽두브드립 대학교에 입학하는 비율은 다릅니다. 리리프투스 학생의 47%가 입학하고 브로드빙낵 학생의 23%가 입학합니다.

균등화된 확률은 공식적으로 "데이터의 균등 지도 학습 기회'를 선택합니다. "예측자 size는 존중에서 균등한 확률을 충족시킵니다. 및 A가 독립인 경우 보호 속성 A와 결과 Y로, Y를 조건부로 하는 것입니다."

참고: 등호 확률을 보다 완화된 확률과 대조하세요. 기회의 균등 측정항목

에스티메이터

#TensorFlow

지원 중단된 TensorFlow API 대신 tf.keras 사용 에스티메이터가 있습니다.

evals

#language

#generativeAI

주로 LLM 평가의 약어로 사용됩니다. 더 넓은 의미에서 evals는 모든 형태의 평가.

평가

#language

#generativeAI

모델의 품질을 측정하거나 여러 모델을 비교하는 프로세스 대립시킵니다.

지도 학습 머신러닝 모델을 평가하려면 일반적으로 검증 세트와 테스트 세트를 기준으로 판단합니다. LLM 평가 일반적으로 더 광범위한 품질 및 안전 평가가 포함됩니다.

예시

#fundamentals

특성으로 구성된 한 행의 값과 필요한 경우 라벨입니다. 지도 학습의 예는 다음과 같은 두 가지 일반 범주로 나뉩니다.

• 라벨이 있는 예는 하나 이상의 특성으로 이루어져 있습니다. 라벨을 지정합니다 라벨이 지정된 예는 학습 중에 사용됩니다.
• 라벨이 없는 예는 하나 이상의 특성으로 구성되지만 라벨은 없습니다. 라벨이 없는 예는 추론 중에 사용됩니다.

예를 들어 날씨가 학생의 시험 점수에 미치는 영향을 확인하기 위해 모델을 학습한다고 가정해 보겠습니다. 다음은 라벨이 지정된 세 가지 예입니다.

기능			라벨
온도	습도	압력	테스트 점수
15	47	998	좋음
19	34	1020	매우 좋음
18	92	1012	나쁨

다음은 라벨이 지정되지 않은 세 가지 예입니다.

온도	습도	압력
12	62	1014
21	47	1017
19	41	1021

데이터 세트의 행은 일반적으로 예시의 원시 소스입니다. 즉, 일반적으로 예제는 열의 하위 집합으로 구성됩니다. 데이터 세트입니다. 또한 예시의 특성에는 합성 특성: 특성 교차를 수행합니다.

자세한 내용은 머신러닝 소개 과정의 지도 학습을 참고하세요.

실험 환경 다시보기

#rl

강화 학습에서 학습 데이터의 시간적 상관성을 줄이는 데 사용되는 DQN 기술입니다. 에이전트는 상태 전환을 재생 버퍼에 저장한 다음 샘플 전환을 샘플링하여 학습 데이터를 만듭니다.

실험자 편향

#fairness

확증 편향을 참고하세요.

경사 발산 문제

#seq

심층신경망(특히 순환 신경망)의 경사가 놀라울 정도로 가파르게(높게) 변하는 경향입니다. 가파른 기울기는 종종 딥 신경망의 각 노드의 가중치를 매우 크게 업데이트합니다.

폭발적인 경사 문제로 인해 모델을 학습하기가 어렵거나 불가능해집니다. 그라데이션 클리핑을 사용하면 이 문제를 완화할 수 있습니다.

경사 소멸 문제와 비교해 보세요.

F

F₁

정밀도와 재현율을 모두 사용하는 '롤업' 이진 분류 측정항목입니다. 공식은 다음과 같습니다.

$$F{_1} = \frac{\text{2 * precision * recall}} {\text{precision + recall}}$$

예를 들어 다음과 같은 경우

• precision = 0.6
• recall = 0.4

$$F{_1} = \frac{\text{2 * 0.6 * 0.4}} {\text{0.6 + 0.4}} = 0.48$$

정밀도와 재현율이 상당히 유사한 경우(위 예와 같이) F₁은 평균에 가깝습니다. 정밀도와 재현율이 크게 다른 경우 F₁은 더 낮은 값에 가깝습니다. 예를 들면 다음과 같습니다.

• 정밀도 = 0.9
• 재현율 = 0.1

$$F{_1} = \frac{\text{2 * 0.9 * 0.1}} {\text{0.9 + 0.1}} = 0.18$$

공정성 제약 조건

#fairness

하나 이상의 공정성 정의가 충족되도록 알고리즘에 제약조건을 적용합니다. 공정성 제약 조건의 예는 다음과 같습니다.

• 모델의 출력을 사후 처리합니다.
• 손실 함수를 변경하여 페널티를 통합 위반 시 공정성 측정항목을 준수해야 합니다.
• 최적화 문제에 수학적 제약 조건을 직접 추가합니다.

공정성 측정항목

#fairness

측정 가능한 '공정성'의 수학적 정의입니다. 일반적으로 사용되는 공정성 측정항목은 다음과 같습니다.

• 등가 확률
• 예측 패리티
• 반사실적 공정성
• 인구통계 동등성

많은 공정성 측정항목은 상호 배타적입니다. 공정성 측정항목의 비호환성을 참고하세요.

거짓음성 (FN)

#fundamentals

모델에서 네거티브 클래스로 잘못 예측한 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸이 아님(네거티브 클래스)이라고 예측했지만 실제로는 스팸인 경우를 말합니다.

거짓음성률

모델이 네거티브 클래스로 잘못 예측한 실제 양성 예시의 비율입니다. 다음 수식은 거짓 음성 비율을 계산합니다.

$$\text{false negative rate} = \frac{\text{false negatives}}{\text{false negatives} + \text{true positives}}$$

기준점과 혼동 매트릭스 에서 머신러닝 단기집중과정을 참조하세요.

거짓양성 (FP)

#fundamentals

모델이 잘못된 예측을 수행하는 예는 포지티브 클래스와 같은 클래스입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸(포지티브 클래스)이라고 예측했지만 실제로는 스팸이 아닌 경우입니다.

기준점과 혼동 매트릭스 에서 머신러닝 단기집중과정을 참조하세요.

거짓양성률 (FPR)

#fundamentals

모델이 포지티브 클래스로 잘못 예측한 실제 음성 예시의 비율입니다. 다음 수식으로 거짓양성률을 계산합니다.

$$\text{false positive rate} = \frac{\text{false positives}}{\text{false positives} + \text{true negatives}}$$

거짓양성률은 ROC 곡선의 x축입니다.

자세한 내용은 머신러닝 단기집중과정의 분류: ROC 및 AUC를 참고하세요.

특징

#fundamentals

머신러닝 모델의 입력 변수입니다. 예 하나 이상의 기능으로 구성됩니다. 예를 들어 날씨가 학생의 시험 점수에 미치는 영향을 확인하기 위해 모델을 학습한다고 가정해 보겠습니다. 다음 표에는 세 가지 예가 나와 있으며 각 예에는 특성 3개, 라벨 1개:

기능			라벨
온도	습도	압력	테스트 점수
15	47	998	92
19	34	1020	84
18	92	1012	87

라벨과 대비되는 개념입니다.

자세한 내용은 머신러닝 소개 과정의 지도 학습을 참고하세요.

특성 교차

#fundamentals

범주형 또는 버케팅된 특성을 '교차'하여 형성된 합성 특성입니다.

예를 들어 다음 네 가지 버킷 중 하나로 온도를 나타내는 '기분 예측' 모델을 생각해 보겠습니다.

• freezing
• chilly
• temperate
• warm

다음 세 가지 버킷 중 하나로 풍속을 나타냅니다.

• still
• light
• windy

특성 교차가 없으면 선형 모델은 앞의 7가지 버킷 각각에 대해 독립적으로 학습합니다. 예를 들어 모델은 freezing 예를 들면 다음과 같은 학습과 관계없이 windy입니다.

또는 온도와 풍속의 특성 교차를 만들 수 있습니다. 이 합성 특성은 값:

• freezing-still
• freezing-light
• freezing-windy
• chilly-still
• chilly-light
• chilly-windy
• temperate-still
• temperate-light
• temperate-windy
• warm-still
• warm-light
• warm-windy

특성 교차 덕분에 모델이 기분 변화를 학습할 수 있습니다. freezing-windy일에서 freezing-still일 사이

각기 다른 많은 특성을 갖는 두 특성으로 합성 특성을 만들면 결과 특성 교차에는 엄청나게 많은 수의 조합할 수 있습니다. 예를 들어 한 특성에 1,000개의 버킷이 있고 다른 특성에는 버킷이 2,000개 있고 결과 특성 교차에는 2,000,000개의 버킷이 있습니다. 버킷이 있습니다

공식적으로 교차는 카티전 곱입니다.

특성 교차는 선형 모델에서 주로 사용되며 거의 사용되지 않음 살펴보겠습니다

자세한 내용은 머신러닝 단기집중과정의 분류형 데이터: 특성 교차를 참고하세요.

특성 추출 단계를 포함합니다

#fundamentals

#TensorFlow

프로세스에는 다음 단계가 포함됩니다.

1. 모델을 학습시키는 데 유용할 특성을 결정합니다.
2. 데이터 세트의 원시 데이터를 이러한 기능의 효율적인 버전으로 변환합니다.

예를 들어 temperature가 유용한 기능일 수 있다고 판단할 수 있습니다. 그런 다음 버케팅을 실험해 볼 수 있습니다. 모델이 다양한 temperature 범위에서 학습할 수 있는 내용을 최적화합니다.

특성 추출이라고도 하며 특성 추출 또는 기능화.

TensorFlow에 관한 추가 메모를 보려면 아이콘을 클릭합니다.

TensorFlow에서 특성 추출은 보통 원시 로그 파일을 tf.Example 프로토콜 버퍼에 전달됩니다. 참고 항목 tf.Transform.

---

자세한 내용은 머신러닝 단기집중과정에서 숫자 데이터: 모델이 특성 벡터를 사용하여 데이터를 처리하는 방법을 참고하세요.

특성 추출

다음 정의 중 하나로 중복 정의된 용어입니다.

• 비감독 학습 또는 사전 학습된 모델에서 계산된 중간 특성 표현(예: 신경망의 숨겨진 레이어 값)을 검색하여 다른 모델에서 입력으로 사용합니다.
• 특성 추출의 동의어입니다.

특성 중요도

#df

변수 중요도의 동의어입니다.

특성 세트

#fundamentals

머신러닝의 특성 그룹 model을 학습합니다. 예를 들어 우편번호, 속성 크기, 속성 조건은 간단한 특성 세트를 구성하는 방법을 학습합니다.

특성 사양

#TensorFlow

tf.Example 프로토콜 버퍼에서 기능 데이터를 추출하는 데 필요한 정보를 설명합니다. tf.Example 프로토콜 버퍼는 데이터의 컨테이너일 뿐이므로 다음을 지정해야 합니다.

• 추출할 데이터 (특성의 키)
• 데이터 유형 (예: float 또는 int)
• 길이(고정 또는 가변)

특성 벡터

#fundamentals

예를 구성하는 특성 값 배열입니다. 특성 벡터는 학습 및 추론 도중에 발생합니다. 예를 들어 두 개의 개별 특성이 있는 모델의 특성 벡터입니다. 다음과 같을 수 있습니다.

[0.92, 0.56]

각 예는 특성 벡터에 대해 서로 다른 값을 제공하므로 다음 예의 특성 벡터는 다음과 같을 수 있습니다.

[0.73, 0.49]

특성 추출은 특성 추출을 특성 벡터에 있는 특성을 나타냅니다. 예를 들어 5개의 가능한 값을 원-핫 인코딩. 이 경우 특정 예시의 특징 벡터 부분은 다음과 같이 4개의 0과 세 번째 위치의 단일 1.0으로 구성됩니다.

[0.0, 0.0, 1.0, 0.0, 0.0]

또 다른 예로 모델이 다음 세 가지 특성으로 구성되어 있다고 가정해 보겠습니다.

• 5개의 가능한 값을 갖는 이진 범주형 특성은 원-핫 인코딩 예: [0.0, 1.0, 0.0, 0.0, 0.0]
• 원-핫 인코딩으로 나타낼 수 있는 세 가지 값이 있는 다른 이진 범주형 특성입니다(예: [0.0, 0.0, 1.0]).
• 부동 소수점 지형지물(예: 8.3)

이 경우 각 예의 특성 벡터는 9개 값으로 나눈 값입니다. 위 목록의 예시 값을 고려할 때 특성 벡터는 다음과 같습니다.

0.0
1.0
0.0
0.0
0.0
0.0
0.0
1.0
8.3

자세한 내용은 머신러닝 단기집중과정에서 숫자 데이터: 모델이 특성 벡터를 사용하여 데이터를 처리하는 방법을 참고하세요.

기능화

문서나 동영상과 같은 입력 소스에서 특성을 추출하고 이러한 특성을 특성 벡터에 매핑하는 프로세스입니다.

일부 ML 전문가는 기능화를 특성 추출 또는 특성 추출.

제휴 학습

스마트폰과 같은 기기에 상주하는 분산화된 예시를 사용하여 머신러닝 모델을 학습하는 분산식 머신러닝 접근방식입니다. 제휴 학습에서는 기기의 하위 집합이 현재 모델을 다운로드합니다. 중앙 조정 서버에서 전송됩니다. 기기는 저장된 예시를 사용하여 모델을 개선할 수 있습니다. 그런 다음 기기는 모델 개선사항(학습 예시 제외)을 조정 서버에 업로드하고, 여기서 다른 업데이트와 함께 집계하여 개선된 글로벌 모델을 생성합니다. 집계 후 모델은 기기에서 계산한 값을 업데이트합니다. 는 더 이상 필요하지 않으며 삭제할 수 있습니다.

학습 예시는 업로드되지 않으므로 제휴 학습은 집중적인 데이터 수집 및 데이터 최소화의 개인 정보 보호 원칙을 따릅니다.

제휴 학습에 관한 자세한 내용은 이 튜토리얼을 참고하세요.

피드백 루프

#fundamentals

머신러닝에서 모델의 예측이 모델 예측에 영향을 주는 상황은 학습 데이터를 얻는 방법을 학습하는 데 사용됩니다. 예를 들어 사람들이 보는 영화에 영향을 주게 되며, 후속 영화 추천 모델에 영향을 미칩니다.

프로덕션 ML 시스템: 질문하기 에서 머신러닝 단기집중과정을 참조하세요.

순방향 신경망 (FFN)

순환 또는 재귀 연결이 없는 신경망입니다. 예를 들어 기존의 심층신경망은 순방향 신경망(FFN)을 사용합니다. 순환되는 순환 신경망과 대비되는 개념입니다.

퓨샷 학습

객체 분류에 자주 사용되는 머신러닝 접근 방식 소수의 사용 사례만을 대상으로 효과적인 분류기를 학습시키기 위해 학습 예시가 필요합니다.

원샷 학습 및 제로샷 학습도 참고하세요.

퓨샷 프롬프팅

#language

#generativeAI

대규모 언어 모델이 응답하는 방식을 보여주는 두 개 이상의 예시('몇 개')가 포함된 프롬프트입니다. 예를 들어 다음과 같은 긴 프롬프트에는 대규모 언어 모델이 쿼리에 답변하는 방법을 보여주는 두 가지 예가 포함되어 있습니다.

하나의 프롬프트의 부분	참고
지정된 국가의 공식 통화는 무엇인가요?	LLM이 답변할 질문
프랑스: 유로	한 가지 예입니다.
영국: GBP	다른 예시를 확인해 보겠습니다.
인도:	실제 쿼리입니다.

퓨샷 프롬프팅은 일반적으로 다른 모델보다 제로샷 프롬프팅 및 원샷 프롬프팅. 그러나 퓨샷 프롬프트에는 더 긴 프롬프트가 필요합니다.

퓨샷 프롬프팅은 퓨샷 학습의 한 형태임 이는 프롬프트 기반 학습에 적용됩니다.

자세한 내용은 머신러닝 단기집중과정의 프롬프트 설계를 참고하세요.

바이올린

#language

Python 중심 구성 라이브러리로, 함수와 클래스의 값을 암호화할 수 있습니다. Pax 및 기타 ML 코드베이스의 경우 이러한 함수와 클래스는 모델 및 학습 초매개변수를 나타냅니다.

Fiddle 머신러닝 코드베이스가 일반적으로 다음과 같이 나뉩니다.

• 레이어와 옵티마이저를 정의하는 라이브러리 코드
• 데이터 세트 '글루' 코드를 사용하여 라이브러리를 호출하고 모든 것을 함께 연결합니다.

Fiddle은 평가되지 않은 상태로 글루 코드의 호출 구조를 있습니다.

미세 조정

#language

#image

#generativeAI

사전 학습된 모델에서 수행되는 두 번째 작업별 학습 패스로, 특정 사용 사례에 맞게 매개변수를 미세 조정합니다. 예를 들어 일부 대규모 언어 모델의 전체 학습 시퀀스는 다음과 같습니다.

1. 사전 학습: 방대한 일반 데이터 세트에서 대규모 언어 모델을 학습시킵니다. 모든 영어 위키백과 페이지와 같은 데이터를 예로 들 수 있습니다
2. 미세 조정: 의료 관련 질문에 응답하는 등 특정 태스크를 수행하도록 사전 학습된 모델을 학습합니다. 미세 조정에는 일반적으로 특정 태스크에 초점을 맞춘 수백, 수천 개의 예시를 제공합니다.

또 다른 예로 대규모 이미지 모델의 전체 학습 시퀀스는 다음과 같습니다.

1. 사전 학습: 방대한 일반 이미지로 대형 이미지 모델을 학습시킵니다. Wikimedia Commons의 모든 이미지와 같은 데이터 세트에 데이터를 추가할 수 있습니다
2. 미세 조정: 선행 학습된 모델을 훈련하여 범고래 이미지 생성과 같은 특정 작업을 실행합니다.

미세 조정에는 다음과 같은 전략의 조합이 수반될 수 있습니다.

• 선행 학습된 모델의 기존 모델을 모두 수정 매개변수로도 지정할 수 있습니다. 이를 전체 미세 조정이라고도 합니다.
• 선행 학습된 모델의 기존 매개변수 중 일부(일반적으로 출력 레이어에 가장 가까운 레이어)만 수정하고 다른 기존 매개변수(일반적으로 입력 레이어에 가장 가까운 레이어)는 변경하지 않습니다. 파라미터 효율적인 튜닝을 참고하세요.
• 일반적으로 출력 레이어에 가장 가까운 기존 레이어 위에 레이어를 추가합니다.

미세 조정은 전이 학습의 한 형태입니다. 따라서 미세 조정은 사전 학습된 모델을 학습하는 데 사용된 것과 다른 손실 함수 또는 다른 모델 유형을 사용할 수 있습니다. 예를 들어 선행 학습된 대규모 이미지 모델을 미세 조정하여 입력 이미지의 새 수를 반환하는 회귀 모델을 만들 수 있습니다.

미세 조정을 다음 용어와 비교 및 대조하세요.

• distillation
• 프롬프트 기반 학습

세부 조정을 참조하세요. 에서 머신러닝 단기집중과정을 참조하세요.

플랙스

#language

고성능 오픈소스 라이브러리 JAX를 기반으로 구축된 딥 러닝입니다. Flax는 다양한 신경망 학습에도 사용할 수 있습니다. 실적을 평가하는 방법이 될 수 있습니다.

Flaxformer

#language

Flax를 기반으로 하며 주로 자연어 처리 및 다중 모달 연구를 위해 설계된 오픈소스 Transformer 라이브러리입니다.

포겟 게이트

#seq

장기 단기 메모리의 일부 세포를 통과하는 정보의 흐름을 조절하는 역할을 합니다. 잊어버리기 게이트는 셀 상태에서 삭제할 정보를 결정하여 컨텍스트를 유지합니다.

전체 소프트맥스

소프트맥스의 동의어입니다.

후보 샘플링과 대비되는 개념입니다.

신경망: 멀티클래스를 참조하세요. 분류 에서 머신러닝 단기집중과정을 참조하세요.

완전 연결 레이어

각 노드가 후속 숨겨진 계층의 모든 노드에 연결된 숨겨진 계층입니다.

완전 연결 레이어를 밀집 레이어라고도 합니다.

함수 변환

함수를 입력으로 사용하여 변환된 함수를 반환하는 함수 출력됩니다. JAX는 함수 변환을 사용합니다.

G

GAN

생성적 적대적 약어 네트워크에 배치됩니다.

일반화

#fundamentals

이전에 접하지 못한 새로운 데이터에 대해 올바른 예측을 수행하는 모델의 능력입니다. 일반화할 수 있는 모델은 그 반대입니다 과적합 상태인 모델입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

학습 세트의 예를 사용하여 모델을 학습시킵니다. 따라서 모델은 학습 세트의 데이터 특성을 학습합니다. 일반화 모델이 예시에 대해 잘 예측할 수 있는지 학습 세트에 없는 확률을 생성합니다.

일반화를 장려하기 위해 정규화는 모델이 학습하고 학습 세트에 있는 데이터의 특성에 미치지 못할 수도 있습니다

---

자세한 내용은 머신러닝 단기집중과정의 일반화를 참고하세요.

Gemini

#language

#image

#generativeAI

Google의 최첨단 AI로 구성된 생태계 이 생태계의 요소 포함:

• 다양한 Gemini 모델
• Gemini 모델의 대화형 대화 인터페이스입니다. 사용자가 프롬프트를 입력하면 Gemini가 프롬프트에 대답합니다.
• 다양한 Gemini API
• Gemini 모델을 기반으로 하는 다양한 비즈니스 제품 예를 들어 Google Cloud를 위한 Gemini

를 통해 개인정보처리방침을 정의할 수 있습니다.

Gemini 모델

#language

#image

#generativeAI

Google의 최첨단 Transformer 기반 멀티모달 모델. Gemini 모델은 구체적으로 에이전트와 통합되도록 설계되었습니다.

사용자는 대화형 대화상자 인터페이스, SDK 등을 통해 다양한 방식으로 Gemini 모델과 상호작용할 수 있습니다.

일반화 곡선

#fundamentals

학습 손실과 유효성 검사 손실 반복입니다.

일반화 곡선을 사용하면 과적합입니다. 예를 들어 검증 손실로 인해 일반화 곡선이 과적합을 암시함 궁극적으로 학습 손실보다 훨씬 더 높아집니다.

자세한 내용은 머신러닝 단기집중과정의 일반화를 참고하세요.

일반화 선형 모델

가우스 소음을 기반으로 하는 최소 제곱 회귀 모델을 포아송 소음 또는 카테고리 소음과 같은 다른 유형의 노이즈를 기반으로 하는 다른 유형의 모델로 일반화합니다. 일반화 선형 모델의 예는 다음과 같습니다.

• 로지스틱 회귀
• 다중 클래스 회귀
• 최소 제곱 회귀

볼록 최적화를 통해 일반화 선형 모델의 매개변수를 구할 수 있습니다.

일반화 선형 모델에는 다음과 같은 속성이 있습니다.

• 최적의 최소 제곱 회귀 모델의 평균 예측은 다음과 같습니다. 학습 데이터의 평균 라벨과 같아야 합니다.
• 최적 로지스틱 회귀로 예측한 평균 확률입니다. 학습 데이터의 평균 라벨과 동일합니다.

일반화 선형 모델의 성능은 특성에 따라 제한됩니다. 좋아요 취소 일반화 선형 모델은 '새로운 특성을 학습'할 수 없습니다.

생성적 적대 신경망(GAN)

새 데이터를 생성하는 시스템으로, 이를 통해 생성기가 분류자가 유효한지 또는 유효하지 않은지를 확인합니다.

자세한 내용은 생성형 대립 학습 네트워크 과정을 참고하세요.

생성형 AI의

#language

#image

#generativeAI

공식적인 정의가 없는 새로운 혁신 분야 그렇지만 대부분의 전문가들은 생성형 AI 모델이 콘텐츠를 생성('생성')하는 데 사용됩니다.

• 복잡함
• 일관된
• 원본

예를 들어 생성형 AI 모델은 정교한 에세이나 이미지를 만들 수 있습니다.

LSTMs을 비롯한 일부 초기 기술 RNN도 마찬가지로 일관성 있는 콘텐츠를 제공하세요 일부 전문가들은 이러한 초기 기술이 진정한 생성형 AI에는 더 복잡한 작업이 필요하다고 생각하는 더 높은 수준의 결과물을 얻을 수 있습니다.

예측 ML과 대비되는 개념입니다.

생성 모델

실제로 다음 중 하나를 수행하는 모델입니다.

• 학습 데이터 세트로부터 새 예제를 생성합니다. 예를 들어 생성형 모델은 시 데이터 세트를 학습한 후 시를 작성할 수 있습니다. 생성적 적대 신경망의 생성기 부분이 이 카테고리에 속합니다.
• 새로운 예가 학습 세트에서 생성되거나 학습 세트를 생성한 것과 동일한 메커니즘을 통해 생성되었을 확률을 결정합니다. 예를 들어 영어 문장으로 구성된 데이터 세트를 학습한 후 생성 모델은 새 입력이 유효한 영어 문장일 확률을 결정합니다.

생성 모델은 이론적으로 예의 분포를 식별할 수 있음 데이터 세트의 특정 특성을 정의할 수 있습니다 이는 다음과 같은 의미입니다.

p(examples)

비지도 학습 모델은 생성 모델입니다.

분류 모델과 대비되는 개념입니다.

생성기

새 예시를 생성하는 생성적 적대 신경망 내의 하위 시스템입니다.

분류 모델과 대비되는 개념입니다.

지니 불순물

#df

엔트로피와 유사한 측정항목입니다. 스플리터 지니 불순물 또는 엔트로피에서 파생된 값을 사용하여 분류를 위한 조건 결정 트리. 정보 획득은 엔트로피에서 파생됩니다. 지니 불순도에서 파생된 측정항목에 대해 보편적으로 인정되는 등가 용어는 없습니다. 그러나 이 이름 없는 측정항목은 정보 이득만큼이나 중요합니다.

지니 불순물은 지니 지수 또는 간단히 지니라고도 합니다.

지니 불순물에 대한 수학 세부정보를 보려면 아이콘을 클릭합니다.

지니 불순물은 새로운 데이터 조각을 잘못 분류할 확률 가져온 것입니다. 2가 된 세트의 기니 불순물 가능한 값 '0' 및 '1' 예를 들어 이진 분류 문제) 다음 공식으로 계산됩니다.

   I = 1 - (p² + q²) = 1 - (p² + (1-p)²)

각 항목의 의미는 다음과 같습니다.

• I는 기니 불순물입니다.
• p는 '1'의 분수입니다. 예로 들 수 있습니다
• q는 '0' 예시의 비율입니다. q = 1-p

예를 들어 다음 데이터 세트를 생각해 보세요.

• 값 '1'을 포함하는 라벨 100개 (데이터 세트의 0.25)
• 300개의 라벨 (데이터 세트의 0.75)에 값 '0'이 포함되어 있습니다.

따라서 지니 불순도는 다음과 같습니다.

• p = 0.25
• q = 0.75
• I = 1 - (0.25² + 0.75²) = 0.375

결과적으로 동일한 데이터 세트의 무작위 라벨은 37.5% 의 확률로 제대로 분류될 확률은 62.5% 입니다.

완벽하게 균형 잡힌 라벨 (예: 200 '0' 및 200 '1')은 지니 불순물을 0.5로 지정했습니다. 불균형 라벨이 있으면 지니 불순도가 0.0에 가까워집니다.

---

골드 데이터 세트

정답을 캡처하는 수동으로 선별된 데이터 세트입니다. 팀은 하나 이상의 골드 데이터 세트를 사용하여 모델의 품질을 평가할 수 있습니다.

일부 골드 데이터 세트는 실측값의 여러 하위 도메인을 캡처합니다. 예를 들어 이미지 분류를 위한 골든 데이터 세트는 조명 조건을 캡처할 수 있습니다 이미지 해상도가 필요합니다.

GPT (생성형 선행 학습된 Transformer)

#language

Transformer 기반 제품군 Google Cloud에서 개발한 대규모 언어 모델 OpenAI가 있습니다.

GPT 변형은 다음과 같은 여러 모달리티에 적용할 수 있습니다.

• 이미지 생성 (예: ImageGPT)
• 텍스트 이미지 변환 생성 (예: DALL-E)를 사용합니다.

gradient

다음에 대한 편미분의 벡터입니다. 파악할 수 있습니다. 머신러닝에서 경사는 모델 함수의 편미분 벡터입니다. 경사는 가장 급격한 상승 방향을 가리킵니다.

그라데이션 누적

반복당 한 번이 아니라 에포크당 한 번만 매개변수를 업데이트하는 백프로파게이션 기법입니다. 각 미니 배치를 처리한 후 경사 누적은 단순히 경사의 누계를 업데이트합니다. 그런 다음 시스템은 에포크의 마지막 미니 배치를 처리한 후 모든 기울기 변경사항의 합계를 기반으로 매개변수를 업데이트합니다.

경사 누적은 배치 크기가 학습에 사용할 수 있는 메모리 양에 비해 매우 크다는 것입니다 메모리가 문제인 경우 자연스러운 경향은 배치 크기를 줄이는 것입니다. 그러나 일반 역전파에서 배치 크기를 줄이면 매개변수 업데이트 수가 증가합니다. 경사 누적을 통해 효율적으로 학습하도록 하는 방법을 배웁니다.

그래디언트 부스팅(의사 결정) 트리(GBT)

#df

다음과 같은 결정 포레스트 유형입니다.

• 학습에서는 그라데이션 부스팅.
• 약한 모델은 결정 트리입니다.

자세한 내용은 결정 트리 과정의 경사 부스트 결정 트리를 참고하세요.

경사 부스팅

#df

약한 모델을 학습하여 강한 모델의 품질을 반복적으로 개선(손실 감소)하는 학습 알고리즘입니다. 예를 들어 약한 모델은 선형 또는 작은 결정 트리 모델일 수 있습니다. 강력한 모델은 이전에 학습된 모든 약한 모델의 합계가 됩니다.

가장 단순한 형태의 경사 부스팅에서는 각 반복에서 약한 모델을 사용합니다. 강력한 모델의 손실 경사를 예측하도록 학습되었습니다. 그런 다음 예측된 경사를 빼서 업데이트됩니다. 경사하강법과 유사합니다.

$$F_{0} = 0$$ $$F_{i+1} = F_i - \xi f_i $$

각 항목의 의미는 다음과 같습니다.

• $F_{0}$ 은(는) 강력한 출발 모델입니다.
• $F_{i+1}$ 은(는) 그다음으로 좋은 모델입니다.
• $F_{i}$ 은(는) 현재 강력한 모델입니다.
• $\xi$는 0.0과 1.0 사이의 값으로 축소라고 하며, 이는 경사 하강의 학습률과 유사합니다.
• $f_{i}$는 $F_{i}$의 손실 기울기를 예측하도록 학습된 약한 모델입니다.

최신 변형의 경사 부스팅은 계산에 손실의 2차 미분(헤시안)도 포함합니다.

결정 트리는 일반적으로 경사 부스팅에서 약한 모델로 사용됩니다. 경사 강화 (의사 결정) 트리를 참고하세요.

그라데이션 제한

#seq

인코더-디코더 아키텍처를 완화하기 위해 과도 경사 문제를 를 사용할 때 경사의 최댓값을 제한 (클리핑) 경사하강법을 사용하여 모델을 학습합니다.

경사하강법

#fundamentals

손실을 최소화하는 수학적 기법입니다. 경사하강법은 가중치와 편향을 반복적으로 조정하여 손실을 최소화하는 최적의 조합을 점진적으로 찾습니다.

경사 하강은 머신러닝보다 훨씬 오래된 기술입니다.

선형 회귀: 기울기 참조 descent 에서 머신러닝 단기집중과정을 참조하세요.

그래프

#TensorFlow

TensorFlow에서는 계산 사양을 의미합니다. 그래프의 노드 작업을 나타냅니다. 가장자리는 방향성을 가지며, 연산의 결과(텐서)를 다른 연산의 피연산자로 전달함을 나타냅니다. 사용 TensorBoard: 그래프를 시각화합니다.

그래프 실행

#TensorFlow

프로그램이 처음 구성되는 TensorFlow 프로그래밍 환경 그래프를 생성한 다음 해당 그래프의 전체 또는 일부를 실행합니다. 지연 실행은 TensorFlow 1.x의 기본 실행 모드입니다.

즉시 실행과 대비되는 개념입니다.

탐욕스러운 정책

#rl

강화 학습에서 항상 학습자를 선택하는 정책은 return이 가장 높은 액션을 반환합니다.

정답

#fundamentals

현실

실제로 발생한 일입니다.

예를 들어 대학 1학년 학생이 6년 이내에 졸업할지 예측하는 이진 분류 모델을 생각해 보세요. 이 모델의 정답은 학생이 6년 이내에 실제로 졸업했는지 여부입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

Google에서는 정답을 기준으로 모델 품질을 평가합니다. 하지만 정답은 항상 완전하고 진실적이지는 않습니다 예를 들어 정답의 잠재적 결함 예는 다음과 같습니다.

• 졸업 예시에서 각 학생의 졸업 기록이 항상 올바른지 확신할 수 있나요? 대학의 기록 보관이 완벽한가요?
• 라벨이 기기(예: 기압계)로 측정된 부동 소수점 값이라고 가정해 보겠습니다. 어떻게 하면 각 악기가 또는 각 판독값을 동일한 시간에 어떻게 해야 할까요?
• 라벨이 인간의 의견에 따라 달라진다면 각 평가자가 동일한 방식으로 이벤트를 평가하고 있는지 어떻게 알 수 있나요? 일관성을 개선하기 위해 전문가 인간 평가자가 개입하는 경우도 있습니다.

---

그룹 귀인 편향

#fairness

한 개인에게도 진실이 모든 사람에게도 진실이라는 가정 확인할 수 있습니다. 그룹 귀인 편향의 영향은 악화될 수 있음 편의 샘플링이 데이터 수집에 사용됩니다 대표성이 없는 샘플에서 현실을 반영하지 않는 귀인이 생성될 수 있습니다.

외부 집단 동질화 편향 및 내집단 편향도 참고하세요. 자세한 내용은 머신러닝 단기집중과정의 공정성: 편향 유형을 참고하세요.

H

할루시네이션

#language

타당해 보이지만 실제로는 잘못된 출력의 생성을 생성형 AI 모델을 만들어 주장하지 않습니다. 예를 들어 버락 오바마가 1865년에 사망했다고 주장하는 생성형 AI 모델은 환각을 일으키는 것입니다.

해싱

머신러닝에서 범주형 데이터를 버케팅하는 메커니즘으로, 특히 카테고리 수는 많지만 데이터 세트에 실제로 나타나는 카테고리 수는 상대적으로 적은 경우에 사용됩니다.

예를 들어 지구에는 약 73,000가지의 수종이 생식하고 있습니다. 다음과 같은 방법을 사용할 수 있습니다. 73,000개의 수목을 각각 73,000개의 범주형 또는 버킷이 있습니다 또는 이 나무 중 200종만 실제로 나타나는 경우 해싱을 사용하여 수종을 약 500개 정도의 버킷이 있습니다

단일 버킷에 여러 수종이 포함될 수 있습니다. 예를 들어 해싱은 유전적으로 다른 두 개는 바오밥과 레드 메이플을 배치할 수 있습니다. 동일한 버킷에 넣을 수 있습니다. 그럼에도 불구하고 해싱은 많은 범주형 세트를 선택한 수의 버킷으로 매핑하는 데 유용한 방식입니다. 해싱을 사용하면 많은 수의 가능한 값을 갖는 범주형 특성을 더 적은 수의 값을 결정론적인 방법입니다.

자세한 내용은 머신러닝 단기집중과정의 분류형 데이터: 어휘 및 원-핫 인코딩을 참고하세요.

휴리스틱

문제에 대한 간단하고 신속하게 구현된 솔루션입니다. 예를 들어 "휴리스틱을 통해 86%의 정확성을 실현했습니다. 우리가 정확성이 최대 98% 향상되었습니다."

히든 레이어

#fundamentals

신경망의 레이어는 입력 레이어 (특성)와 출력 레이어 (예측)입니다. 각 숨겨진 레이어는 하나 이상의 뉴런으로 구성됩니다. 예를 들어 다음 신경망에는 두 개의 히든 레이어가 있습니다. 첫 번째 모델에는 뉴런이 3개, 두 번째에는 뉴런이 2개 있습니다.

심층신경망에는 두 개 이상이 포함됩니다. 히든 레이어입니다. 예를 들어 위의 그림은 모델에 숨겨진 레이어가 두 개 포함되어 있으므로 심층신경망입니다.

자세한 내용은 머신러닝 단기집중과정의 신경망: 노드 및 숨겨진 레이어를 참고하세요.

계층적 군집화

#clustering

클러스터 트리를 생성하는 군집화 알고리즘의 카테고리입니다. 계층적 군집화는 식물 분류와 같은 계층적 데이터에 적합합니다. 두 가지 유형의 계층적 데이터 클러스터링 알고리즘:

• 병합형 군집화는 먼저 모든 예를 자체 클러스터에 할당하고 가장 가까운 클러스터를 반복적으로 병합하여 계층적 트리를 만듭니다.
• 분리형 군집화는 먼저 모든 예를 하나의 클러스터로 그룹화한 다음 클러스터를 계층적 트리로 반복 분할합니다.

중심 기반 군집화와 대비되는 개념입니다.

자세한 내용은 클러스터링 과정의 클러스터링 알고리즘을 참고하세요.

힌지 손실

각 학습 예시에서 최대한 멀리 떨어진 결정 경계를 찾아 예시와 경계 간의 마진을 극대화하도록 설계된 분류용 손실 함수 계열입니다. KSVM은 힌지 손실 (또는 제곱 힌지 손실). 이진 분류의 경우 힌지 손실 함수는 다음과 같이 정의됩니다.

$$\text{loss} = \text{max}(0, 1 - (y * y'))$$

여기서 y는 -1 또는 +1의 참 라벨이고 y'는 분류 모델의 원시 출력입니다.

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

따라서 힌지 손실과 (y * y')를 비교하여 그래프로 표시하면 다음과 같습니다.

역사적 편향

#fairness

편향의 한 유형이 이미 세상에 존재하며 데이터 세트에 입력됩니다. 이러한 편향은 기존에 존재하는 특정 인구 집단에 대한 편견, 그리고 문화적 고정관념, 인구통계학적 불평등 소셜 그룹

예를 들어 다음과 같은 분류 모델이 있다고 가정해 보겠습니다. 는 대출 신청자가 대출을 상환할 것인지 여부를 예측합니다. 1980년대 현지 은행의 과거 채무 불이행 데이터를 토대로 알게 되었습니다. 커뮤니티 A의 과거 신청자가 6배 더 많았다면 대출을 상환하지 않을 가능성이 높으므로 모델이 과거의 편향을 학습하여 특정 편향을 커뮤니티 A의 대출을 승인할 수 있습니다. 더 이상 의미가 없는 것으로 확인되었습니다.

자세한 내용은 머신러닝 단기집중과정의 공정성: 편향 유형을 참고하세요.

홀드아웃 데이터

학습 중에 의도적으로 사용하지 않은('홀드아웃') 예입니다. 검증 데이터 세트 및 테스트 데이터 세트는 홀드아웃 데이터의 예입니다. 홀드아웃 데이터는 학습에 사용하지 않은 데이터를 일반화하는 모델의 능력을 평가하는 데 도움이 됩니다. 홀드아웃 세트의 손실은 학습 세트의 손실보다 이전에 접하지 못한 데이터의 손실을 더 효과적으로 예측합니다.

호스트

#TensorFlow

#GoogleCloud

가속기 칩(GPU 또는 TPU)에서 ML 모델을 학습할 때 다음 두 가지를 모두 제어하는 시스템의 일부입니다.

• 코드의 전반적인 흐름입니다.
• 입력 파이프라인의 추출 및 변환

호스트는 일반적으로 액셀러레이터 칩이 아닌 CPU에서 실행됩니다. 기기는 액셀러레이터 칩에서 텐서를 조작합니다.

초매개변수

#fundamentals

개발자 또는 초매개변수 조정 서비스가 모델 학습을 연속으로 실행하는 동안 조정하는 변수입니다. 예를 들어 학습률은 초매개변수입니다. 학습 세션 전에 학습률을 0.01로 설정할 수 있습니다. 0.01이 너무 높다고 판단되면 다음 학습 세션의 학습률을 0.003으로 설정할 수 있습니다.

반면 매개변수는 모델이 학습 중에 학습하는 다양한 가중치와 편향입니다.

선형 회귀: 초매개변수 에서 머신러닝 단기집중과정을 참조하세요.

초평면

한 공간을 두 개의 하위 공간으로 나누는 경계입니다. 예를 들어, 선은 평면은 3차원의 초평면입니다. 머신러닝에서는 초평면이 고차원 공간을 구분하는 경계입니다. 커널 서포트 벡터 머신 사용 포지티브 클래스를 네거티브 클래스와 분리하는 초평면(초평면)을 훨씬 효율적입니다.

I

i.i.d.

독립적이고 동일한 분포의 약어입니다.

이미지 인식

#image

이미지에서 객체, 패턴 또는 개념을 분류하는 프로세스입니다. 영상 인식을 이미지 분류라고도 합니다.

자세한 내용은 ML 실습: 이미지 분류를 참고하세요.

자세한 내용은 ML 실습: 이미지 분류 과정을 참고하세요.

불균형 데이터 세트

클래스 불균형 데이터 세트의 동의어입니다.

내재적 편향

#fairness

자신의 생각을 바탕으로 자동으로 연관 또는 가정을 함 모델 및 메모리를 기반으로 합니다 내재적 편향은 다음에 영향을 줄 수 있습니다.

• 데이터 수집 및 분류 방법
• 머신러닝 시스템 설계 및 개발 방법

예를 들어 결혼사진을 식별하기 위해 분류기를 만들 때 엔지니어는 사진에 나타나는 흰색 드레스를 특성으로 사용할 수 있습니다. 그러나 흰색 드레스는 특정 시대에만 관례적으로 사용되었고 특정 문화권에서만

확증 편향도 참고하세요.

imputation

짧은 형식의 값 대치입니다.

공정성 측정항목의 비호환성

#fairness

일부 공정성 개념은 서로 호환되지 않으며 동시에 충족할 수 없다는 생각입니다. 따라서 모든 ML 문제에 적용할 수 있는 공정성을 수치화하는 단일 보편적인 측정항목은 없습니다.

공정성 측정항목이 호환되지 않는다고 해서 공정성 노력이 무익하다는 의미는 아닙니다. 대신 공정성은 주어진 ML 문제에 대해 상황에 맞게 정의되어야 하며 피해를 방지한다는 목표를 가지고 있습니다.

이 주제에 관한 자세한 내용은 '공정성의 (불)가능성'을 참고하세요.

컨텍스트 내 학습

#language

#generativeAI

퓨샷 프롬프팅의 동의어입니다.

독립적이고 동일한 분포 (i.id)

#fundamentals

변하지 않는 분포에서 추출된 데이터 및 각 값이 이전에 그린 값에 종속되지 않습니다. 독립 이분변량은 머신러닝의 이상기체입니다. 유용한 수학적 구조이지만 현실에서는 거의 찾아볼 수 없습니다. 예: 웹페이지 방문자 분포 i.i.d.일 수 있습니다. 짧은 기간 동안 실행될 수 있습니다 즉, 분포가 한 사람의 방문은 일반적으로 서로 독립적으로 작동합니다. 그러나 해당 기간을 확장하면 웹페이지 방문자 수에 따른 계절별 변동이 나타날 수 있습니다.

비고정성도 참고하세요.

개인 공정성

#fairness

유사한 개인이 유사하게 분류되는지 확인하는 공정성 측정항목입니다. 예를 들어 Brobdingnagian Academy는 동일한 성적과 표준화된 시험 점수를 가진 두 학생이 동등하게 입학할 수 있도록 하여 개인의 공정성을 충족하고자 할 수 있습니다.

개인 공정성은 '유사성'(이 경우 성적 및 시험 점수)을 정의하는 방식에 전적으로 의존하며, 유사성 측정항목에서 중요한 정보(예: 학생의 커리큘럼의 엄격도)를 놓치면 새로운 공정성 문제가 발생할 수 있습니다.

개인 공정성에 관한 자세한 내용은 '인식 기반 공정성'을 참고하세요.

추론

#fundamentals

머신러닝에서 모델을 학습시키는 데 사용된 학습된 모델을 라벨이 없는 예에 적용

통계에서 추론은 다소 다른 의미를 갖습니다. 자세한 내용은 통계적 추론에 관한 위키백과 문서를 참고하세요.

지도 학습을 참조하세요. ML 소개 과정에서 추론이 지도 학습에서 학습 시스템입니다.

추론 경로

#df

결정 트리에서 추론 중에 특정 예가 루트를 다른 조건으로 설정하고, 잎 예를 들어 다음 결정 트리에서 더 두꺼운 화살표는 다음과 같은 특성 값이 있는 예시의 추론 경로를 보여줍니다.

• x = 7
• y = 12
• z = -3

다음 그림의 추론 경로는 리프(Zeta)에 도달하기 전에 세 조건을 거칩니다.

세 개의 굵은 화살표는 추론 경로를 나타냅니다.

결정 트리를 참조하세요. 결정 포레스트 과정에서 살펴 보세요

정보 획득

#df

의사결정 트리에서 노드의 엔트로피와 자식 노드의 엔트로피의 가중치(예수에 따라) 합계 간의 차이입니다. 노드의 엔트로피는 예시가 표시됩니다

예를 들어 다음 엔트로피 값을 고려해 보겠습니다.

• 상위 노드의 엔트로피 = 0.6
• 관련 예 16개가 있는 하위 노드 1개의 엔트로피 = 0.2
• 관련 예시가 24개인 다른 하위 노드의 엔트로피 = 0.1

따라서 예시의 40%는 한 하위 노드에 있고 60%는 다른 하위 노드에 있습니다. 따라서 날짜는 다음과 같이 계산합니다.

• 하위 노드의 가중치 엔트로피 합계 = (0.4 * 0.2) + (0.6 * 0.1) = 0.14

따라서 정보 이득은 다음과 같습니다.

• 정보 이득 = 상위 노드의 엔트로피 - 하위 노드의 가중치 엔트로피 합계
• 정보 이득 = 0.6 - 0.14 = 0.46

대부분의 분할자는 정보 이득을 극대화하는 조건을 만들려고 합니다.

내집단 편향

#fairness

자신이 속한 그룹이나 자신의 특성을 편애하는 경향을 보입니다. 테스터 또는 평가자가 머신러닝 개발자의 친구, 가족 또는 동료들로 구성된다면 내집단 편향으로 인해 제품 테스트 또는 데이터 세트가 무효화될 수 있습니다.

내집단 편향은 그룹 귀인 편향입니다. 외부 집단 동질화 편향도 참고하세요.

공정성: 편향 머신러닝 단기집중과정을 참조하세요.

입력 생성기

데이터가 신경망에 로드되는 메커니즘입니다.

입력 생성기는 학습, 평가, 추론을 위한 일괄 처리를 위해 반복되는 텐서로 원시 데이터를 처리하는 구성요소로 생각할 수 있습니다.

입력 레이어

#fundamentals

신경망의 하위 집합인 신경망은 특성 벡터를 보유합니다. 즉, 입력 레이어는 학습 또는 추론을 위한 예시를 제공합니다. 예를 들어 다음 신경망의 입력층은 두 가지 기능으로 구성됩니다.

in-set condition

#df

결정 트리에서 조건은 한 항목이 있는지 테스트합니다. 예를 들어 다음은 인셋 조건입니다.

  house-style in [tudor, colonial, cape]

추론 중에 주택 스타일 feature의 값이 tudor, colonial 또는 cape이면 이 조건은 Yes로 평가됩니다. 주택 스타일 지형지물의 값이 다른 값(예: ranch)인 경우 이 조건은 '아니요'로 평가됩니다.

세트 내 조건은 일반적으로 원-핫 인코딩된 특성을 테스트하는 조건보다 더 효율적인 결정 트리를 생성합니다.

인스턴스

예의 동의어입니다.

지침 조정

#generativeAI

미세 조정의 한 형태로서 생성형 AI 모델의 추적 능력에 따라 참조하세요. 지침 조정에는 계열에 따라 모델을 학습시키는 것이 포함됩니다. 일반적으로 광범위한 실행할 수 있습니다 그 결과로 생성되는 명령 조정 모델은 제로샷 프롬프트에 대한 유용한 응답 생성 실행할 수 있습니다

비교 및 대조:

• 매개변수 효율적인 조정
• 프롬프트 조정

해석 가능성

#fundamentals

인간이 이해할 수 있는 용어로 ML 모델의 추론을 설명하거나 제시하는 기능입니다.

예를 들어 대부분의 선형 회귀 모델은 해석할 수 있습니다. 각 기능에 대해 학습된 가중치만 보면 됩니다. 또한 의사결정 포레스트는 해석하기가 매우 쉽습니다. 그러나 일부 모델은 정교한 시각화를 통해서만 해석 가능합니다.

이 학습 통역 도구 (LIT) ML 모델을 해석하는 데 사용됩니다

평가자 간 동의

인간 평가자가 태스크를 수행할 때 동의하는 빈도를 측정합니다. 평가자가 동의하지 않는 경우 태스크 안내를 개선해야 할 수 있습니다. 주석간 계약 또는 평가자 간 신뢰성을 평가합니다. 가장 널리 사용되는 평가자 간 동의 측정 방식 중 하나인 Cohen's kappa를 참고하세요.

범주형 데이터: 일반을 참조하세요. 문제 에서 머신러닝 단기집중과정을 참조하세요.

IoU (Intersection over Union)

#image

두 집합의 교집합을 합집합으로 나눈 값입니다. 머신러닝 IoU는 모델 학습의 정확성을 측정하는 데 경계 상자와 관련하여 예측된 경계 상자 정답 경계 상자. 이 경우 두 상자의 IoU는 겹치는 영역과 총 영역의 비율이며, 값의 범위는 0(예측 경계 상자와 실제 경계 상자가 겹치지 않음)~1(예측 경계 상자와 실제 경계 상자의 좌표가 정확히 동일함)입니다.

예를 들어 아래 이미지에서

• 예측된 경계 상자 (모델이 예측되는 위치를 구분하는 좌표) 그림에 있는 야간 테이블이 위치한다고 예측)은 보라색으로 윤곽선이 표시됩니다.
• 실측 정보 경계 상자 (밤중의 장소를 구분하는 좌표) 초록색으로 윤곽선이 표시됩니다.

여기서는 예측과 정답을 위한 경계 상자의 교차점을 (왼쪽 아래)는 1이고, 예측 및 예측에 대한 경계 상자의 합집합은 정답 (오른쪽 아래)은 7이므로 IoU는 \(\frac{1}{7}\)입니다.

IoU

intersection over union의 약어입니다.

항목 행렬

#recsystems

추천 시스템에서는 다음과 같이 생성된 임베딩 벡터의 행렬입니다. 행렬 분해 각 항목에 대한 잠재 신호를 보유하는 역할을 합니다. 항목 행렬의 각 행에는 모든 항목에 대한 단일 잠재적 특성 값이 있습니다. 예를 들어 영화 추천 시스템을 살펴보겠습니다. 각 열 이는 단일 영화를 나타냅니다. 잠재 신호는 장르를 나타내거나, 장르, 스타, 영화 시대 등 복잡한 상호작용을 포함하는 해석하기 어려운 신호일 수 있습니다.

항목 행렬에 타겟과 동일한 수의 열이 있습니다. 인수 분해되는 행렬입니다. 예를 들어, 어떤 영화가 10,000편의 영화를 평가하는 추천 시스템인 항목 행렬에는 10,000개의 열이 포함됩니다.

항목

#recsystems

추천 시스템에서 확인할 수 있습니다 예를 들어 동영상은 비디오 가게에서 추천하는 항목이고, 책은 서점에서 추천하는 항목입니다.

반복

#fundamentals

학습 중에 모델의 매개변수(모델의 가중치 및 편향)를 단일로 업데이트하는 작업입니다. 배치 크기는 모델이 단일 반복에서 처리하는 예시의 수를 결정합니다. 예를 들어 배치 크기가 20이면 모델은 매개변수를 조정하기 전에 20개의 예시를 처리합니다.

신경망을 학습할 때 단일 반복에는 다음 두 가지 패스가 포함됩니다.

1. 단일 배치에서 손실을 평가하는 전진 패스입니다.
2. 손실과 학습률을 기반으로 모델의 매개변수를 조정하는 역전 패스(백프로파게이션)입니다.

J

JAX

고성능 수치 컴퓨팅을 위해 XLA(가속 선형 대수학)와 자동 미분을 결합한 배열 컴퓨팅 라이브러리입니다. JAX는 구성 가능한 변환으로 가속된 수치 코드를 작성하기 위한 간단하고 강력한 API를 제공합니다. JAX는 다음과 같은 기능을 제공합니다.

• grad (자동 구분)
• jit(적시 컴파일)
• vmap (자동 벡터화 또는 일괄 처리)
• pmap (동시 로드)

JAX는 수치 코드의 변환을 표현하고 구성하는 언어로, Python의 NumPy 라이브러리와 유사하지만 범위가 훨씬 넓습니다. (실제로 JAX의 .numpy 라이브러리는 기능적으로 동일합니다. Python NumPy 라이브러리의 완전히 다시 작성된 버전입니다.)

JAX는 특히 모델과 데이터를 GPU 및 TPU 가속기 칩 전반에서의 병렬 처리에 적합한 형식으로 변환하여 여러 머신러닝 작업의 속도를 높이는 데 적합합니다.

Flax, Optax, Pax 및 기타 여러 라이브러리는 JAX 인프라를 기반으로 빌드됩니다.

K

Keras

널리 사용되는 Python 머신러닝 API입니다. 케라스 실행 시간 TensorFlow를 비롯한 여러 딥 러닝 프레임워크에서 다음과 같이 사용 가능: tf.keras

커널 서포트 벡터 머신(KSVM)

데이터 레이크와 데이터 사이의 간격을 최대화하려는 긍정적이고 입력 데이터 벡터를 매핑하여 네거티브 클래스 더 높은 차원의 공간으로 변경할 수 있습니다. 예를 들어 입력 데이터 세트가 특성 100개로 이루어진 분류 문제를 생각해 보겠습니다. 두 범위 사이의 여백을 극대화하려면 KSVM은 이러한 특성을 내부적으로 매핑하여 100만 차원의 공간을 의미합니다. KSVM은 손실 함수를 사용하여 힌지 손실.

keypoints

#image

이미지의 특정 지형지물의 좌표입니다. 예를 들어 꽃 종을 구분하는 이미지 인식 모델의 경우 각 꽃잎의 중심, 줄기, 암술 등이 키포인트가 될 수 있습니다.

k-폴드 교차 검증

모델의 성능을 예측하는 알고리즘입니다. 일반화합니다. k-폴드의 k는 접힘을 나타내는 데이터 세트의 예를 나누는 동일한 그룹의 수 이를 통해 모델을 k번 테스트합니다 학습과 시험의 각 라운드마다 다른 그룹은 테스트 세트이고 나머지 모든 그룹은 학습이 됩니다. 있습니다. k번의 학습 및 테스트 라운드 후에 선택한 테스트 측정항목의 평균과 표준 편차를 계산합니다.

예를 들어 데이터 세트가 120개의 예로 구성되어 있다고 가정해 보겠습니다. 또한 k를 4로 설정하기로 결정했다고 가정해 보겠습니다. 따라서 예제를 셔플한 후에는 데이터 세트를 30개의 예시로 구성된 네 개의 동일한 그룹으로 나누고 여러 번 실시합니다.

예를 들어 평균 제곱 오차(MSE)는 선형 회귀 모델에 가장 의미 있는 측정항목일 수 있습니다. 따라서 4번의 라운드에서 MSE의 평균과 표준 편차를 찾습니다.

k-평균

#clustering

비지도 학습의 한 방법으로 데이터를 그룹화하는 데 널리 사용되는 클러스터링 알고리즘입니다. k-평균 알고리즘은 기본적으로 다음을 수행합니다.

• 최고의 중심점(중심이라고 함)들을 반복적으로 결정합니다.
• 각 예를 가장 가까운 중심에 배정합니다. 가장 근접한 동일한 그룹에 속하는지 확인합니다.

k-평균 알고리즘은 각 예가 가장 가까운 중심과 각 예 사이 거리의 누적 제곱을 최소화할 수 있는 중심의 위치를 선택합니다.

개의 키와 몸길이에 대한 다음 플롯을 예로 들어보겠습니다.

k=3이면 k-평균 알고리즘이 3개의 중심을 결정합니다. 각 예 가장 가까운 중심에 할당되어

한 제조업체가 소형, 적외선 조명과 같은 소형 기기에 적합한 중형 및 대형 강아지용 스웨터가 있습니다. 세 개의 중심점은 해당 클러스터에 있는 각 강아지의 평균 높이와 평균 너비를 나타냅니다. 따라서 제조업체는 스웨터 사이즈는 이 세 가지 중심을 기준으로 합니다. 참고: 일반적으로 클러스터의 중심은 해당 클러스터의 예가 아닙니다.

위의 그림은 두 가지 특성(높이 및 너비)만 있는 예시의 K-means를 보여줍니다. k-평균을 사용하면 확인할 수 있습니다

k-중앙값

#clustering

k-평균과 밀접한 관련이 있는 클러스터링 알고리즘입니다. 이 둘 사이의 실질적인 차이점은 다음과 같습니다.

• k-평균에서 중심은 중심 후보와 각 중심점 사이 거리의 제곱 살펴보겠습니다
• k-중앙값 알고리즘에서는 중심이 될 수 있는 위치와 각 예의 위치 사이의 거리값의 합계를 최소화하는 방식으로 중심을 결정합니다.

거리의 정의도 다릅니다.

• k-평균은 유클리드 거리 예로 들 수 있습니다. (2차원에서 유클리드는 거리는 피타고라스의 정리를 이용해 빗변). 예를 들어 (2,2)와 (5, -2) 사이의 k-평균 거리는 다음과 같습니다.

$$ {\text{Euclidean distance}} = {\sqrt {(2-5)^2 + (2--2)^2}} = 5 $$

• k-중앙값 알고리즘에서는 중심에서 예까지의 맨해튼 거리를 사용합니다. 이 거리는 각 차원 값 차의 절대값의 합입니다. 예를 들어 (2,2)와 (5, -2) 사이의 k-중앙값 거리는 다음과 같습니다.

$$ {\text{Manhattan distance}} = \lvert 2-5 \rvert + \lvert 2--2 \rvert = 7 $$

L

L₀ 정규화

#fundamentals

모델에서 0이 아닌 가중치의 총 개수에 페널티를 주는 정규화 유형입니다. 예를 들어 0이 아닌 11개의 가중치를 갖는 모델은 0이 아닌 10개의 가중치를 갖는 유사 모델에 비해 더 페널티를 받게 됩니다.

L₀ 정규화를 L0-norm 정규화라고도 합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

L₀ 정규화는 학습을 볼록 최적화 문제로 전환하므로 대규모 모델에서는 일반적으로 실용적이지 않습니다.

---

L₁ 손실

#fundamentals

실제 라벨 값과 모델이 예측하는 값 간의 차이의 절대값을 계산하는 손실 함수입니다. 예를 들어 다음은 예 5개로 구성된 배치의 L₁ 손실 계산입니다.

예시의 실제 값	모델의 예측값	델타의 절댓값
7	6	1
5	4	1
8	11	3
4	6	2
9	8	1
		8 = L1 손실

L₁ 손실은 이상점에 덜 민감합니다. L₂ 손실 대비.

평균 절대 오차는 평균 절대 오차가 예시당 L₁ 손실

공식적인 계산을 보려면 아이콘을 클릭하세요.

$$ L_1 loss = \sum_{i=0}^n | y_i - \hat{y}_i |$$

각 항목의 의미는 다음과 같습니다.

• $n$ 는 예시의 수입니다.
• $y$ 는 라벨의 실제 값입니다.
• $\hat{y}$ 는 모델이 $y$에 대해 예측하는 값입니다.

---

L₁ 정규화

#fundamentals

가중치의 절대값 합에 비례하여 가중치에 페널티를 주는 정규화 유형입니다. L₁ 정규화는 관련성이 없거나 매우 낮은 특성의 가중치를 정확히 0으로 유도하는 데 도움이 됩니다. 다음과 같은 특성 가중치 0은 모델에서 사실상 제거됩니다.

L₂ 정규화와 대비되는 개념입니다.

L₂ 손실

#fundamentals

제곱을 계산하는 손실 함수 실제 label 값과 모델이 예측하는 값입니다. 예를 들어 5인 배치의 L₂ 손실 계산 예:

예시의 실제 값	모델의 예측값	델타 제곱
7	6	1
5	4	1
8	11	9
4	6	4
9	8	1
		16 = L2 손실

제곱으로 인해 L₂ 손실은 이상점. 즉, L₂ 손실은 L₂ 손실보다 잘못된 예측에 더 강하게 반응합니다. L₁ 손실. 예를 들어 L₁ 손실은 16이 아닌 8이 됩니다. 단일 외부값이 16개 중 9개를 차지합니다.

회귀 모델은 일반적으로 L₂ 손실을 손실 함수로 사용합니다.

평균 제곱 오차는 예시당 평균 L₂ 손실입니다. 제곱 손실은 L₂ 손실의 다른 이름입니다.

공식적인 계산을 보려면 아이콘을 클릭하세요.

$$ L_2 loss = \sum_{i=0}^n {(y_i - \hat{y}_i)}^2$$

각 항목의 의미는 다음과 같습니다.

• $n$ 는 예시의 수입니다.
• $y$ 는 라벨의 실제 값입니다.
• $\hat{y}$는 모델이 $y$를 예측하는 값입니다.

---

L₂ 정규화

#fundamentals

가중치의 제곱 합에 비례하여 가중치에 페널티를 주는 정규화 유형입니다. L₂ 정규화는 이상점 가중치 (이러한 0에 가깝지만 0에 가깝지는 않습니다. 값이 0에 매우 가까운 특성은 모델에 남아 있지만 모델의 예측에 큰 영향을 미치지 않습니다.

L₂ 정규화는 항상 선형 모델의 일반화를 개선합니다.

L₁ 정규화와 대비되는 개념입니다.

라벨

#fundamentals

지도 머신러닝에서 예의 '답' 또는 '결과' 부분을 의미합니다.

각 라벨이 지정된 예는 하나 이상의 특성과 라벨로 구성됩니다. 예를 들어 감지 데이터 세트의 경우 라벨은 '스팸' 또는 또는 '스팸 아님'. 강우량 데이터 세트에서 라벨은 비가 내릴 수도 있습니다.

라벨이 있는 예

#fundamentals

하나 이상의 특성 및 라벨을 포함할 수도 있습니다. 예를 들어, 다음 표에서는 라벨이 지정된 예시에는 각각 3가지 특성이 있으며 그리고 라벨 1개:

침실 수	욕실 수	연식	주택 가격 (라벨)
3	2	15	345,000달러
2	1	72	$179,000
4	2	34	392,000달러

지도 머신러닝에서는 모델이 라벨이 지정된 예시를 학습하고 라벨이 지정되지 않은 예시를 예측합니다.

라벨이 지정된 예시와 라벨이 지정되지 않은 예시를 대비합니다.

라벨 유출

특성이 라벨의 프록시인 모델 설계 결함입니다. 예를 들어 잠재고객이 특정 제품을 구매할지 여부를 예측하는 이진 분류 모델을 생각해 보겠습니다. 모델의 특성 중 하나가 SpokeToCustomerAgent 또한 고객 에이전트가 잠재고객이 Google 디스플레이 네트워크를 실제로 구매한 후에 있습니다. 학습이 진행되는 동안 모델은 해당 특성과 관련된 SpokeToCustomerAgent와 라벨 사이에 있어야 합니다.

람다

#fundamentals

정규화율의 동의어입니다.

람다는 중복으로 정의된 용어입니다. 여기에서는 정규화 맥락의 용어 정의에 집중합니다.

LaMDA(대화형 애플리케이션을 위한 언어 모델)

#language

Transformer 기반 Google이 개발한 대규모 언어 모델 대규모 대화 데이터 세트를 학습합니다.

LaMDA: Google의 획기적인 대화 기술을 참고하시기 바랍니다.

landmarks

#image

키포인트의 동의어입니다.

언어 모델

#language

토큰의 확률을 예측하는 모델 더 긴 토큰 시퀀스에서 발생하는 토큰의 시퀀스입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

직관에 반하지만 텍스트를 평가하는 많은 모델은 언어 모델이 아닙니다. 예: 텍스트 분류 모델과 감정 분석 모델은 언어 모델이 아닙니다.

---

대규모 언어 모델

#language

언어 모델은 최소한 매개변수의 조합으로 구성됩니다. 좀 더 비공식적으로는 Transformer 기반 언어 모델(예: Gemini 또는 GPT.

잠재 공간

#language

임베딩 공간의 동의어입니다.

레이어

#fundamentals

신경망의 뉴런 집합입니다. 일반적인 세 가지 레이어 유형은 다음과 같습니다.

• 입력 레이어: 모든 입력 레이어의 features.
• 하나 이상의 히든 레이어는 비선형 관계를 나타냅니다.
• 예측을 제공하는 출력 레이어입니다.

예를 들어 다음 그림은 입력 레이어 1개, 히든 레이어 2개, 출력 레이어 1개가 있는 신경망을 보여줍니다.

TensorFlow에서 레이어는 또한 입력으로 사용되는 텐서 및 구성 옵션 다른 텐서를 출력으로 생성합니다.

Layers API (tf.layers)

#TensorFlow

심층 신경망 구축을 위한 TensorFlow API 레이어 구성이라고 할 수 있습니다. 레이어 API를 사용하면 다음과 같은 다양한 유형의 레이어를 만들 수 있습니다.

• tf.layers.Dense - 완전 연결 레이어
• tf.layers.Conv2D: 컨볼루셔널 레이어

Layers API는 Keras 레이어 API 규칙을 따릅니다. 즉, 접두사가 다르다는 점을 제외하고 Layers API의 모든 함수는 Keras Layers API의 해당 함수와 동일한 이름과 서명을 갖습니다.

잎

#df

결정 트리의 모든 엔드포인트 잎은 조건과 달리 테스트를 실행하지 않습니다. 오히려 리프는 가능한 예측입니다. 잎은 말단기도 하다 추론 경로의 노드입니다.

예를 들어 다음 결정 트리에는 세 개의 리프가 포함되어 있습니다.

LIT(Learning Interpretability Tool)

시각적이고 대화형인 모델 이해 및 데이터 시각화 도구입니다.

오픈소스 LIT를 사용하여 모델을 해석하거나 텍스트, 이미지, 사용할 수 있습니다

학습률

#fundamentals

경사하강법 알고리즘에 각 반복에서 가중치와 편향을 얼마나 강하게 조정할지 알려주는 부동 소수점 수입니다. 예를 들어 학습률이 0.3이면 학습률이 0.1일 때보다 가중치와 편향을 세 배 더 강력하게 조정합니다.

학습률은 핵심적인 초매개변수입니다. 만약 학습률이 너무 낮으면 학습이 너무 오래 걸립니다 학습률을 너무 높게 설정하면 경사하강법이 수렴에 도달하는 데 문제가 발생하는 경우가 많습니다.

자세한 수학적 설명을 보려면 아이콘을 클릭하세요.

각 반복에서 경사하강법 알고리즘은 학습률을 경사에 곱합니다. 이 결과물을 경사 단계입니다.

---

최소 제곱 회귀

선형 회귀 모델은 L₂ 손실.

선형

#fundamentals

덧셈과 곱셈을 통해서만 표현할 수 있는 두 개 이상의 변수 간의 관계입니다.

선형 관계의 플롯은 선입니다.

nonlinear과 대비되는 개념입니다.

선형 모델

#fundamentals

1대당 하나의 가중치를 할당하는 모델 특성을 사용하여 예측을 수행합니다. 선형 모델에는 편향도 포함됩니다. 반면 심층 모델에서 특성과 예측의 관계는 일반적으로 비선형입니다.

선형 모델은 일반적으로 학습이 더 쉽고 해석 가능합니다. 하지만 딥 모델은 특성 간의 복잡한 관계를 학습할 수 있습니다.

선형 회귀 및 로지스틱 회귀는 선형 모델의 두 가지 유형입니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

선형 모델은 다음 공식을 따릅니다.

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

각 항목의 의미는 다음과 같습니다.

• y' 원시 예측입니다. 특정 유형의 선형 모델에서는 이 원시 예측이 추가로 수정됩니다. 예를 들면 다음과 같습니다. 로지스틱 회귀).
• b는 편향입니다.
• w는 가중치이므로 w₁은 w₂는 첫 번째 특성의 가중치 두 번째 특성 등이 있습니다.
• x는 특성이므로 x₁은 첫 번째 특성의 값이고 x₂는 두 번째 특성의 값입니다.

를 통해 개인정보처리방침을 정의할 수 있습니다. 예를 들어 특성 3개에 대한 선형 모델이 다음을 학습한다고 가정해 보겠습니다. 편향 및 가중치: <ph type="x-smartling-placeholder">

</ph>
• b = 7
• w₁ = -2.5
• w₂ = -1.2
• w₃ = 1.4

를 통해 개인정보처리방침을 정의할 수 있습니다. 따라서 3개의 특성 (x₁, x₂, x₃), 선형 모델은 다음 방정식을 사용합니다. 각 예측을 생성합니다.

y' = 7 + (-2.5)(x1) + (-1.2)(x2) + (1.4)(x3)

특정 예에 다음 값이 포함되어 있다고 가정해 보겠습니다.

• x₁ = 4
• x₂ = -10
• x₃ = 5

를 통해 개인정보처리방침을 정의할 수 있습니다. 이러한 값을 수식에 입력하면 이 예에 대한 예측이 생성됩니다.

y' = 7 + (-2.5)(4) + (-1.2)(-10) + (1.4)(5)
y' = 16

선형 모델에는 선형 방정식만 사용하여 예측하는 모델뿐만 아니라 선형 방정식을 예측을 실행하는 수식의 한 구성요소로 사용하는 더 광범위한 모델 집합도 포함됩니다. 예를 들어 로지스틱 회귀는 원시 데이터를 0과 1 사이의 최종 예측값을 생성하려면 독점 제공됩니다.

---

선형 회귀

#fundamentals

다음 두 가지가 모두 참인 머신러닝 모델 유형입니다.

• 이 모델은 선형 모델입니다.
• 예측은 부동 소수점 값입니다. (이는 선형 회귀의 회귀 부분).

선형 회귀와 로지스틱 회귀를 비교합니다. 또한 회귀와 분류를 비교해 보세요.

LIT

의 약어 학습 통역 도구 (LIT), 이전에는 언어 해석 가능성 도구로 알려진 도구였습니다.

LLM

#language

#generativeAI

large language model의 약어입니다.

LLM 평가 (평가)

#language

#generativeAI

대규모 언어 모델(LLM)의 성능을 평가하기 위한 측정항목 및 업계 기준치 모음입니다. 개략적으로 설명하자면 LLM 평가:

• 연구원이 LLM을 개선해야 하는 영역을 식별할 수 있도록 지원합니다.
• 다양한 LLM을 비교하고 특정 태스크에 가장 적합한 LLM을 식별하는 데 유용합니다.
• LLM을 안전하고 윤리적으로 사용할 수 있도록 지원합니다.

로지스틱 회귀

#fundamentals

확률을 예측하는 회귀 모델의 한 유형입니다. 로지스틱 회귀 모델에는 다음과 같은 특성이 있습니다.

• 라벨은 범주형입니다. 로지스틱이라는 회귀는 일반적으로 이진 로지스틱 회귀를 의미합니다. 가능한 두 개의 값을 가진 라벨의 확률을 계산하는 모델로 변환합니다. 덜 일반적인 변형인 다항식 로지스틱 회귀는 가능한 값이 2개 이상인 라벨의 확률을 계산합니다.
• 학습 중 손실 함수는 로그 손실입니다. 값이 2개 이상인 라벨의 경우 여러 개의 Log Loss 단위를 동시에 배치할 수 있습니다.
• 모델에 심층신경망이 아닌 선형 아키텍처가 있습니다. 그러나 이 정의의 나머지 부분은 카테고리 라벨의 확률을 예측하는 딥 모델에도 적용됩니다.

예를 들어 입력 이메일이 스팸일 확률을 계산하는 로지스틱 회귀 모델을 생각해 보겠습니다. 추론 중에 모델이 0.72를 예측한다고 가정해 보겠습니다. 따라서 모델은 다음을 추정합니다.

• 이메일이 스팸일 가능성은 72% 입니다.
• 이메일이 스팸이 아닐 확률은 28% 입니다.

로지스틱 회귀 모델은 다음과 같은 두 단계 아키텍처를 사용합니다.

1. 모델이 선형 함수를 적용하여 원시 예측 (y')을 생성 학습합니다.
2. 모델은 이 원시 예측을 입력으로 사용하여 시그모이드 함수: 원시 데이터를 변환합니다. 0과 1 사이의 값(0과 1 제외)으로 설정할 수 있습니다

다른 회귀 모델과 마찬가지로 로지스틱 회귀 모델은 숫자를 예측합니다. 그러나 이 숫자는 일반적으로 이진 분류의 일부가 됩니다. 모델은 다음과 같습니다.

• 예측 숫자가 분류 임곗값보다 크면 이진 분류 모델은 양성 클래스를 예측합니다.
• 예측된 숫자가 분류 임곗값보다 작은 경우 이진 분류 모델은 네거티브 클래스를 예측합니다.

로지트

분류를 수행할 때 정규화되지 않은 원시 (정규화되지 않은) 예측으로 구성된 벡터입니다. 일반적으로 정규화 함수로 전달됩니다. 모델이 다중 클래스 분류 문제를 해결하는 경우 로짓은 일반적으로 소프트맥스 함수의 입력이 됩니다. 그러면 소프트맥스 함수는 인코더-디코더 모델의 (정규화된) 하나의 값을 갖는 확률을 계산합니다.

로그 손실

#fundamentals

바이너리 로지스틱 회귀에 사용되는 손실 함수입니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

다음 수식은 로그 손실을 계산합니다.

$$\text{Log Loss} = \sum_{(x,y)\in D} -y\log(y') - (1 - y)\log(1 - y')$$

각 항목의 의미는 다음과 같습니다.

• \((x,y)\in D\) 는 \((x,y)\) 쌍과 같이 여러 라벨이 있는 예가 포함된 데이터 세트입니다.
• \(y\) 는 라벨이 있는 예의 라벨입니다. 이것은 로지스틱 회귀이므로 \(y\) 의 모든 값은 0 또는 1이어야 합니다.
• \(y'\) 은 예측값 (0과 1 사이, 제외)입니다. \(x\)의 특성 세트를 고려할 때

---

로그 오즈

#fundamentals

특정 사건의 확률 로그입니다.

아이콘을 클릭하여 계산 결과를 확인하세요.

사건이 이진 확률인 경우 확률은 성공 확률 (p) 대 성공 확률의 비율 실패 (1-p) 예를 들어 특정 이벤트의 성공 확률이 90%이고 실패 확률이 10%라고 가정해 보겠습니다. 이 경우 확률은 다음과 같이 계산됩니다.

$$ {\text{odds}} = \frac{\text{p}} {\text{(1-p)}} = \frac{.9} {.1} = {\text{9}} $$

로그 오즈는 단순히 오즈의 대수입니다. 규칙에 따라 "logarithm" 는 자연 대수, 그러나 로그는 실제로 1보다 큰 모든 밑이 될 수 있습니다. 따라서 관례에 따라 이 예시의 로그 오즈는 다음과 같습니다.

$$ {\text{log-odds}} = ln(9) ~= 2.2 $$

로그 오즈 함수는 시그모이드 함수.

---

장단기 메모리 (LSTM)

#seq

필기 인식, 기계 번역, 이미지 자막 등 애플리케이션에서 데이터 시퀀스를 처리하는 데 사용되는 회귀형 신경망의 셀 유형입니다. LSTM은 경사 소실 문제는 긴 데이터 시퀀스 때문에 신경망을 학습시키기 위해 이전 셀의 새로운 입력 및 컨텍스트에 기반한 내부 메모리 상태 사용됩니다.

LoRA

#language

#generativeAI

Low-Rank Adaptability(저순위 적응성)의 약어입니다.

손실

#fundamentals

지도 학습 모델의 학습 중에 모델의 예측이 라벨에서 얼마나 먼지를 나타내는 척도입니다.

손실 함수는 손실을 계산합니다.

손실 애그리게이터

여러 모델의 예측을 결합하고 이러한 예측을 사용하여 단일 예측을 실행하여 모델의 성능을 개선하는 머신러닝 알고리즘의 한 유형입니다. 따라서 손실 애그리게이터는 예측의 분산을 줄이고 예측의 정확성을 개선할 수 있습니다.

손실 곡선

#fundamentals

학습 횟수에 대한 함수로서의 손실 도표 반복입니다. 다음 플롯은 일반적인 손실 곡선을 보여줍니다.

손실 곡선은 모델이 수렴 또는 과적합 중 하나입니다.

손실 곡선은 다음 유형의 손실을 모두 표시할 수 있습니다.

• 학습 손실을
• 검증 손실
• test loss

일반화 곡선도 참고하세요.

손실 함수

#fundamentals

학습 또는 테스트 중에 인코더-디코더의 예의 배치에 대한 손실입니다. 손실 함수는 잘 예측하는 모델의 경우 잘못 예측하는 모델보다 낮은 손실을 반환합니다.

학습의 목표는 일반적으로 손실 함수의 손실을 최소화하는 것입니다. 반환합니다.

다양한 종류의 손실 함수가 있습니다. 적절한 손실 선택 함수를 만들 수 있습니다. 예를 들면 다음과 같습니다.

• L₂ 손실(또는 평균 제곱 오차)은 선형 회귀의 손실 함수입니다.
• 로그 손실은 로지스틱 회귀의 손실 함수입니다.

손실 곡면

가중치 그래프 vs. 손실 그래프입니다. 경사하강법의 목표는 손실 곡면이 국소 최소점에 위치하는 가중치를 찾는 데 있습니다.

낮은 순위 적응성 (LoRA)

#language

#generativeAI

매개변수 효율적 기법은 '정지'되는 미세 조정 모델의 선행 학습된 더 이상 수정할 수 없도록 가중치를 적용하고, 작은 집합을 삽입하여 학습 가능한 가중치를 모델에 추가해야 합니다 학습 가능한 가중치 집합('업데이트 행렬'이라고도 함)은 기본 모델보다 훨씬 작으므로 학습 속도가 훨씬 빠릅니다.

LoRA는 다음과 같은 이점을 제공합니다.

• 벌금이 적용되는 도메인에 대한 모델 예측 품질을 개선합니다. 미세 조정이 적용됩니다
• 모델의 모든 속성을 미세 조정해야 하는 기술보다 빠르게 미세 조정 매개변수입니다.
• 추론의 계산 비용 절감 동일한 기반을 공유하는 여러 특수 모델의 동시 서빙 있습니다.

아이콘을 클릭하여 LoRA의 업데이트 매트릭스에 대해 자세히 알아보세요.

LoRA에 사용되는 업데이트 행렬은 순위 분해 행렬 이는 노이즈를 필터링하기 위해 기본 모델에서 파생되고 모델의 가장 중요한 특성에 학습에 중점을 둡니다

---

를 통해 개인정보처리방침을 정의할 수 있습니다.

LSTM

#seq

장단기 메모리의 약어입니다.

M

머신러닝

#fundamentals

입력 데이터에서 모델을 학습하는 프로그램 또는 시스템입니다. 학습된 모델은 Google Cloud에서 추출한 모델을 학습시키는 데 사용된 것과 동일한 분포가 생성됩니다

머신러닝은 이러한 프로그램 또는 시스템과 관련된 학문 분야를 가리키는 용어이기도 합니다.

다수 범주

#fundamentals

클래스 불균형 데이터 세트에서 더 일반적으로 사용되는 라벨입니다. 예를 들어 99% 의 음성 라벨 및 1% 의 양성 라벨이 포함된 데이터 세트가 있을 경우 제외 라벨이 대다수 클래스입니다

소수 클래스와 대비되는 개념입니다.

마르코프 결정 프로세스 (MDP)

#rl

마르코프 속성이 적용된다고 가정하고 결정(또는 작업)을 통해 상태의 시퀀스를 탐색하는 의사결정 모델을 나타내는 그래프입니다. 강화 학습에서 이러한 상태 전환은 숫자 보상을 반환합니다.

마르코프 속성

#rl

특정 환경의 속성으로, 여기서 상태 전환은 현재 상태 및 에이전트의 작업에 암시적으로 포함된 정보에 의해 완전히 결정됩니다.

마스킹된 언어 모델

#language

다음 문장의 확률을 예측하는 언어 모델 후보 토큰을 사용하여 시퀀스에서 공백을 채울 수 있습니다. 예를 들어 마스크된 언어 모델은 후보 단어의 확률을 계산할 수 있음 다음 문장의 밑줄을 대체합니다.

모자의 ____가 돌아왔습니다.

문헌에서는 일반적으로 밑줄 대신 'MASK' 문자열을 사용합니다. 예를 들면 다음과 같습니다.

모자의 'MASK'가 다시 표시되었습니다.

대부분의 최신 마스킹된 언어 모델은 양방향입니다.

matplotlib

오픈소스 Python 2D 플로팅 라이브러리입니다. matplotlib은 머신러닝의 다양한 측면을 시각화하는 데 도움이 됩니다.

행렬 분해

#recsystems

수학에서 내적이 대상 행렬에 근접한 행렬을 찾는 메커니즘입니다.

추천 시스템에서 목표 행렬은 사용자의 의도를 항목의 평점입니다. 예를 들어 대상 행렬은 다음과 같을 수 있습니다. 양의 정수는 사용자 평점과 0이 됩니다. 사용자가 영화를 평가하지 않았음을 의미합니다.

	카사블랑카	필라델피아 이야기	블랙 팬서	원더 우먼	펄프 픽션
사용자 1	5.0	3.0	0.0	2.0	0.0
사용자 2	4.0	0.0	0.0	1.0	5.0
사용자 3	3.0	1.0	4.0	5.0	0.0

영화 추천 시스템은 평가되지 않은 영화에 대한 사용자 평점을 예측하는 것을 목표로 합니다. 예를 들어 사용자 1은 블랙 팬서를 좋아할까요?

추천 시스템에 대한 한 가지 접근법은 행렬 분해를 사용하여 다음 두 행렬을 생성하는 것입니다.

• 사용자 매트릭스는 사용자 수 X 임베딩 차원의 수입니다.
• 항목 행렬은 임베딩 차원 수 X 항목 수로 구성됩니다.

예를 들어 3명의 사용자와 5개의 항목에 대해 행렬 분해를 사용하여 다음 사용자 행렬과 항목 행렬을 생성할 수 있습니다.

User Matrix                 Item Matrix

1.1   2.3           0.9   0.2   1.4    2.0   1.2
0.6   2.0           1.7   1.2   1.2   -0.1   2.1
2.5   0.5

사용자 행렬과 항목 행렬의 내적이 추천을 산출합니다. 원래 사용자 평가와 예측까지 포함하는 행렬입니다. 영화의 예가 표시됩니다. 예를 들어 카사블랑카에 대한 사용자 1의 평점(5.0)을 고려합니다. 점 추천 행렬의 해당 셀에 해당하는 제품이 5.0 정도일 것입니다.

(1.1 * 0.9) + (2.3 * 1.7) = 4.9

그렇다면 사용자 1은 블랙 팬서를 좋아할까요? 첫 번째 행과 세 번째 열에 해당하는 내적을 사용하여 예측 평점 4.3을 산출합니다.

(1.1 * 1.4) + (2.3 * 1.2) = 4.3

행렬 분해는 일반적으로 대상 행렬보다 훨씬 간결한 사용자행렬 및 항목 행렬을 생성합니다.

평균 절대 오차 (MAE)

L₁ 손실일 때의 평균 손실은 다음과 같습니다. 있습니다. 평균 절대 오차는 다음과 같이 계산합니다.

1. 일괄의 L₁ 손실을 계산합니다.
2. L₁ 손실을 배치의 예 수로 나눕니다.

아이콘을 클릭하면 수학 공식을 확인할 수 있습니다.

$$\text{Mean Absolute Error} = \frac{1}{n}\sum_{i=0}^n | y_i - \hat{y}_i |$$

각 항목의 의미는 다음과 같습니다.

• $n$ 는 예시의 수입니다.
• $y$ 는 라벨의 실제 값입니다.
• $\hat{y}$ 는 모델이 $y$에 대해 예측하는 값입니다.

---

예를 들어 방정식에서 L₁ 손실 계산을 다음과 같은 다섯 가지 예시의 배치를 살펴보겠습니다

예시의 실제 값	모델의 예측값	손실(실제와 예측 간의 차이)
7	6	1
5	4	1
8	11	3
4	6	2
9	8	1
		8 = L1 손실

따라서 L₁ 손실은 8이고 예시 수는 5입니다. 따라서 평균 절대 오차는 다음과 같습니다.

Mean Absolute Error = L1 loss / Number of Examples
Mean Absolute Error = 8/5 = 1.6

평균 절대 오차와 평균 제곱 오차 비교 평균 제곱근 오차.

평균 제곱 오차(MSE)

L₂ 손실을 사용할 때의 예시당 평균 손실입니다. 평균 제곱 오차는 다음과 같이 계산합니다.

1. 일괄의 L₂ 손실을 계산합니다.
2. L₂ 손실을 배치의 예 수로 나눕니다.

공식적인 계산을 보려면 아이콘을 클릭하세요.

$$\text{Mean Squared Error} = \frac{1}{n}\sum_{i=0}^n {(y_i - \hat{y}_i)}^2$$ 여기서:

• $n$ 는 예시의 수입니다.
• $y$ 는 라벨의 실제 값입니다.
• $\hat{y}$ 는 $y$에 대한 모델의 예측입니다.

---

예를 들어 다음과 같은 5개 예시의 배치에서 손실을 고려해 보겠습니다.

실제 금액	모델의 예측	손실	제곱 손실
7	6	1	1
5	4	1	1
8	11	3	9
4	6	2	4
9	8	1	1
			16 = L2 손실

따라서 평균 제곱 오차는 다음과 같습니다.

Mean Squared Error = L2 loss / Number of Examples
Mean Squared Error = 16/5 = 3.2

평균 제곱 오차는 특히 선형 회귀에 많이 사용되는 학습 최적화 도구입니다.

대비 평균 제곱 오차와 평균 절대 오차 및 평균 제곱근 오차.

TensorFlow Playground는 평균 제곱 오차를 사용하여 손실 값을 계산합니다.

이상점에 대한 자세한 내용을 보려면 아이콘을 클릭합니다.

외부값은 평균 제곱 오차에 큰 영향을 미칩니다. 예를 들어 손실 1은 1의 제곱 손실이고 3의 손실은 9의 제곱 손실입니다. 위 표에서 손실이 3인 예시는 평균 제곱 오류의 약 56%를 차지하는 반면, 손실이 1인 각 예시는 평균 제곱 오류의 6%만 차지합니다.

이상치는 평균 제곱 오차만큼 평균 절대 오차에 영향을 미치지 않습니다. 예를 들어 손실된 계정 수는 평균 절대 오류의 약 38%에 해당합니다.

클리핑은 모델의 예측 능력을 저해하지 않도록 하기 위한 것입니다.

---

메시

#TensorFlow

#GoogleCloud

ML 병렬 프로그래밍에서 데이터와 모델을 TPU 칩에 할당하고 이러한 값을 샤딩하거나 복제하는 방법을 정의하는 것과 관련된 용어입니다.

메시는 다음 중 하나를 의미할 수 있는 오버로드된 용어입니다.

• TPU 칩의 물리적 레이아웃입니다.
• 데이터와 모델을 TPU에 매핑하기 위한 추상적인 논리적 구조 감자 튀김이라고 할 수 있습니다.

두 경우 모두 메시는 셰이프로 지정됩니다.

메타 학습

#language

학습 알고리즘을 발견하거나 개선하는 머신러닝의 하위 집합입니다. 메타학습 시스템은 소량의 데이터 또는 이전 작업에서 얻은 경험으로 새로운 작업을 빠르게 학습하도록 모델을 학습시키는 것을 목표로 할 수도 있습니다. 메타 학습 알고리즘은 일반적으로 다음을 달성하려고 합니다.

• 수동으로 설계된 기능(예: 이니셜라이저 또는 최적화 도구)을 개선하거나 학습합니다.
• 데이터 효율과 컴퓨팅 효율성을 높입니다.
• 일반화 개선

메타 러닝은 퓨샷 학습과 관련이 있습니다.

측정항목

#TensorFlow

중요한 의미가 있는 통계입니다.

목표는 머신러닝 시스템에서 최적화하려는 측정항목입니다.

측정항목 API(Metrics API)(tf.metrics)

모델을 평가하는 TensorFlow API입니다. 예: tf.metrics.accuracy 모델의 예측이 라벨과 일치하는 빈도를 결정합니다.

미니 배치

#fundamentals

한 번에 처리되는 배치 중 무작위로 선택된 소규모 하위 집합 반복입니다. 미니 배치의 배치 크기는 일반적으로 다음과 같습니다. 10개에서 1,000개 사이의 예시로 들 수 있습니다.

예를 들어 학습 세트 전체 (전체 배치)가 예시로 구성됩니다 또한 배치 크기를 20으로 설정합니다. 따라서 각 반복은 1,000개의 예 중 무작위로 선택한 20개의 예에서 손실을 결정한 다음 가중치 및 편향을 적절하게 조정합니다.

전체 배치의 모든 예시에서 손실을 계산하는 것보다 미니 배치에서 손실을 계산하는 것이 훨씬 효율적입니다.

미니 배치 확률적 경사하강법

미니 배치를 사용하는 경사하강법 알고리즘입니다. 즉, 미니 배치 확률적 경사하강법은 학습 데이터 중 작은 부분집합을 기반으로 경사를 예측합니다. 일반 확률적 경사하강법은 크기가 1인 미니 배치를 사용합니다.

미니맥스 손실

손실 함수 생성적 적대 신경망(GAN)의 교차 엔트로피를 기반으로 모델을 학습시키는 작업도 반복해야 합니다

Minimax 손실은 생성형 적대적 네트워크를 설명하는 첫 번째 논문에서 사용됩니다.

소수 클래스

#fundamentals

클래스 불균형 데이터 세트의 덜 일반적인 라벨입니다. 예를 들어 부정 라벨 99%와 긍정 라벨 1%가 포함된 데이터 세트의 경우 긍정 라벨이 소수 클래스입니다.

주요 클래스와 대비되는 개념입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

백만 개의 예시가 있는 학습 세트 굉장해요. 그러나 소수 클래스가 제대로 표현되지 않으면 학습 세트가 매우 크더라도 불충분할 수 있습니다. 데이터 세트의 총 예시 수보다는 소수 클래스의 예시 수에 더 중점을 둡니다.

데이터 세트에 소수 클래스 예시가 충분하지 않은 경우 다운샘플링 (정의 두 번째 글머리기호)를 사용하여 소수 클래스를 보완합니다.

---

다양한 분야의 전문가

#language

#generativeAI

신경망의 효율성을 매개변수의 하위 집합 (전문가라고 함)만 사용하여 주어진 입력 토큰 또는 예. 가 게이팅 네트워크는 각 입력 토큰 또는 예시를 적절한 전문가에게 라우팅합니다.

자세한 내용은 다음 논문 중 하나를 참고하세요.

• 놀라울 정도로 큰 신경망: 희소 게이트 체계 전문가 혼합 레이어
• 전문가 선택 라우팅을 사용한 전문가 조합

ML

머신러닝의 약어입니다.

MMIT : MMIT

#language

#image

#generativeAI

멀티모달 명령어 조정의 약어입니다.

MNIST

#image

LeCun, Cortes, Burges 등이 컴파일한 공개 도메인 데이터 세트이며, 60,000개의 이미지가 포함됩니다. 각 이미지는 사람이 0~9 사이의 특정 숫자를 쓰는 방법을 보여줍니다. 각 이미지는 28x28 정수 배열로 저장되며, 각 정수는 0과 255 사이의 그레이 스케일 값입니다.

MNIST는 머신러닝을 위한 표준 데이터 세트이며, 주로 새 머신러닝 접근법을 테스트하는 데 사용됩니다. 자세한 내용은 <ph type="x-smartling-placeholder"></ph> The MNIST Database of 필기 숫자(필기 숫자의 MNIST 데이터베이스).

modality

#language

상위 수준의 데이터 카테고리입니다. 예를 들어 숫자, 텍스트, 이미지, 동영상 및 오디오는 다섯 가지 형식이 있습니다.

모델

#fundamentals

일반적으로 입력 데이터를 처리하고 출력을 반환하는 수학적 구성입니다. 다른 표현으로, 모델은 매개변수와 구조 집합으로 표현됩니다. 매우 짧은 시간 안에 필요할 수 있습니다 지도 머신러닝에서 모델은 예시를 입력으로 받아 예측을 출력으로 추론합니다. 지도 학습 머신러닝 내에서도 모델은 약간 다릅니다. 예를 들면 다음과 같습니다.

• 선형 회귀 모델은 가중치 집합과 편향으로 구성됩니다.
• 신경망 모델은 다음으로 구성됩니다.
  • 각각 하나 이상의 뉴런을 포함하는 히든 레이어 집합입니다.
  • 각 뉴런과 연결된 가중치 및 편향입니다.
• 결정 트리 모델은 다음으로 구성됩니다.
  • 나무의 모양 즉 특정 입력 시퀀스의 잎이 연결되어 있습니다.
  • 조건 및 종료

모델을 저장, 복원 또는 사본으로 만들 수 있습니다.

비지도 머신러닝은 모델(일반적으로 입력 예시를 가장 적절한 클러스터에 매핑할 수 있는 함수)도 생성합니다.

아이콘을 클릭하여 대수 및 프로그래밍 함수를 ML 모델과 비교합니다.

다음과 같은 대수 함수는 모델입니다.

  f(x, y) = 3x -5xy + y2 + 17

위 함수는 입력 값 (x 및 y)을 출력됩니다.

마찬가지로 다음과 같은 프로그래밍 함수도 모델입니다.

def half_of_greater(x, y):
  if (x > y):
    return(x / 2)
  else
    return(y / 2)

호출자가 위의 Python 함수에 인수를 전달하고, Python 함수가 return 문을 통해 출력을 생성합니다.

심층신경망은 프로그래밍 언어를 사용하는 것과는 완전히 다른 함수를 사용하는 경우 심층신경망은 여전히 입력 (예)을 받아 출력 (예측)을 나타냅니다.

인간 프로그래머는 프로그래밍 함수를 수동으로 코딩합니다. 반면 머신러닝 모델은 최적의 매개변수를 점진적으로 학습하여 자동화 학습 중에 사용할 수 있습니다

---

모델 용량

모델이 학습할 수 있는 문제의 복잡성입니다. 복잡할수록 모델이 학습할 수 있는 문제가 많아질수록 모델의 용량이 높아집니다 일반적으로 모델의 매개변수 수가 많을수록 모델 용량은 더 커집니다. 분류기 용량의 공식 정의는 VC 차원을 참고하세요.

모델 계층 구조

#generativeAI

특정 추론 쿼리에 가장 적합한 모델을 선택하는 시스템입니다.

엄청나게 큰 모델부터 많은 모델들까지 매개변수)이 훨씬 작아야 합니다 (매개변수가 훨씬 적음). 매우 큰 모델은 소형 모델보다 추론 시 컴퓨팅 리소스를 더 많이 사용합니다. 그러나 매우 큰 모델은 일반적으로 더 작은 모델보다 더 복잡한 요청을 추론할 수 있습니다. 모델 계층화는 추론 쿼리의 복잡성을 결정한 후 추론을 실행할 적절한 모델을 선택합니다. 모델 연쇄적 모델의 주된 동기는 모델이 학습한 일반적으로 더 작은 모델을 선택하고 고가용성을 위해 대형 모델만 복잡한 쿼리가 필요합니다

작은 모델이 휴대전화에서 실행되고 해당 모델의 더 큰 버전에서 실행된다고 상상해 보세요. 가상 서버에서 실행됩니다 우수한 모델 연쇄적 방식으로 비용과 지연 시간을 줄임으로써 더 작은 모델이 간단한 요청을 처리할 수 있도록 하고 복잡한 요청을 처리할 수 있습니다

모델 라우터도 참고하세요.

모델 동시 로드

#language

하나의 다른 부분을 배치하는 학습 또는 추론을 확장하는 방법 model, 즉 다른 기기에서 찾을 수 없습니다. 모델 병렬 처리를 사용하면 너무 커서 단일 기기에 맞지 않는 모델을 사용할 수 있습니다.

모델 동시 로드를 구현하기 위해 시스템은 일반적으로 다음을 실행합니다.

1. 모델을 더 작은 부분으로 분할 (분할)합니다.
2. 이러한 작은 부분의 학습을 여러 프로세서에 분산합니다. 각 프로세서는 모델의 자체 부분을 학습합니다.
3. 결과를 결합하여 단일 모델을 만듭니다.

모델 동시 로드로 인해 학습 속도가 느려집니다.

데이터 동시 로드를 참조하세요.

모델 라우터

#generativeAI

모델 계단식 적용에서 추론에 적합한 모델을 결정하는 알고리즘입니다. 모델 라우터 그 자체는 일반적으로 주어진 입력에 가장 적합한 모델을 선택하는 방법을 점진적으로 학습합니다. 그러나 모델 라우터는 때때로 더 간단 할 수 있습니다. 머신러닝 알고리즘을 사용할 수 있습니다

모델 학습

최적의 모델을 결정하는 과정입니다.

모멘텀

학습 단계가 의존하는 정교한 경사하강법 알고리즘 현재 단계의 도함수뿐만 아니라 할 수 있습니다. 모멘텀은 여러 시점의 시간 경과에 따른 경사의 기하급수적 가중치가 적용된 이동 평균(유사한 경우) 곧 배우게 될 것입니다. 모멘텀은 때때로 학습이 갇혀 있습니다.

MOE

#language

#image

#generativeAI

전문가 집단의 약어입니다.

다중 클래스 분류

#fundamentals

지도 학습에서 데이터 세트에 2개가 넘는 클래스의 라벨이 포함된 분류 문제입니다. 예를 들어 Iris 데이터세트의 라벨은 다음 중 하나여야 합니다. 세 가지 클래스를 제공합니다

• 이리스 세토사
• Iris virginica
• Iris versicolor

Iris 데이터 세트에서 학습되어 새 예시에서 Iris 유형을 예측하는 모델은 다중 클래스 분류를 실행하고 있습니다.

반면에 정확히 두 개의 데이터 레이크를 클래스는 이진 분류 모델입니다. 예를 들어 스팸 또는 스팸 아님을 예측하는 이메일 모델 이진 분류 모델입니다.

클러스터링 문제에서 다중 클래스 분류는 2개 이상의 클러스터를 의미합니다.

다중 클래스 로지스틱 회귀

로지스틱 회귀 사용 다중 클래스 분류 문제입니다.

다중 헤드 셀프 어텐션

#language

Self-attention의 확장으로 셀프 어텐션 메커니즘을 각 위치에 대해 여러 번 반복하는 것입니다.

Transformers에서는 멀티 헤드 자체 주목을 도입했습니다.

멀티모달 모델

#language

입력 또는 출력에 두 개 이상의 모달이 포함된 모델입니다. 예를 들어 인코더-디코더 아키텍처를 이미지 및 텍스트 캡션 (두 가지 형식)을 특성으로 제공 텍스트 캡션이 이미지에 얼마나 적절한지 나타내는 점수를 출력합니다. 따라서 이 모델의 입력은 멀티모달이고 출력은 모노모달입니다.

멀티모달 안내 조정

#language

이미지, 동영상, 오디오와 같이 텍스트 이외의 입력을 처리할 수 있는 명령어 조정 모델입니다.

다항 분류

다중 클래스 분류의 동의어입니다.

다항 회귀

멀티클래스 로지스틱 회귀의 동의어입니다.

멀티태스킹

단일 모델을 분석하는 데 사용되는 머신러닝 기법입니다. 여러 태스크를 수행하도록 학습됩니다.

멀티태스킹 모델은 다음에 적합한 데이터를 학습하여 생성됩니다. 수행할 수 있습니다 이를 통해 모델은 다른 사람과 정보를 학습하여 모델이 더 효과적으로 학습하는 데 도움이 됩니다.

여러 작업에 대해 학습된 모델의 일반화 능력이 개선되는 경우가 많음 다양한 유형의 데이터를 더 강력하게 처리할 수 있습니다.

N

NaN 트랩

모델의 숫자 중 하나가 학습 중에 NaN이 됨으로 인해 모델의 다른 여러 숫자 또는 모든 숫자가 결국 NaN이 되는 상황입니다.

NaN은 Not a Number의 약어입니다.

자연어 이해

#language

사용자가 입력하거나 말한 내용에 따라 사용자의 의도를 파악합니다. 예를 들어 검색엔진은 자연어를 이해하여 사용자가 입력하거나 말한 내용에 따라 사용자가 검색할 내용을 결정합니다.

네거티브 클래스

#fundamentals

이진 분류에서는 클래스 중 하나는 양성으로, 다른 하나는 음성으로 규정됩니다. 포지티브 클래스는 모델이 테스트하는 대상 또는 이벤트이며 네거티브 클래스는 가능성이 있습니다. 예를 들면 다음과 같습니다.

• 의료 검사의 네거티브 클래스는 '종양 아님'일 수 있습니다.
• 이메일 분류기의 네거티브 클래스는 '스팸 아님'일 수 있습니다.

양성 클래스와 대비되는 개념입니다.

네거티브 샘플링

후보 샘플링의 동의어입니다.

신경망 아키텍처 검색(NAS)

신경망의 아키텍처를 자동으로 설계하는 기술입니다. NAS 알고리즘은 신경망을 학습하는 데 필요한 시간과 리소스를 줄일 수 있습니다.

NAS는 일반적으로 다음을 사용합니다.

• 가능한 아키텍처 집합인 검색 공간
• 특정 예측이 얼마나 잘 작동하는지를 측정하는 특정 태스크에 대해 수행됩니다.

NAS 알고리즘은 대개 소수의 가능한 아키텍처 집합과 점차적으로 검색 공간을 확대해 나가면서 효과적일 수 있습니다 피트니스 기능은 일반적으로 아키텍처의 성능을 학습 세트에 적용할 수 있으며, 알고리즘은 일반적으로 학습시킨 다음 강화 학습 기법입니다.

NAS 알고리즘이 고성능 공격 탐지에 효과적인 것으로 입증됨 이미지, 이미지, 동영상 등의 다양한 작업을 위한 분류, 텍스트 분류, 기계 번역입니다

출력은

#fundamentals

하나 이상을 포함하는 모델 히든 레이어. 심층신경망은 히든 레이어가 2개 이상인 신경망 유형입니다. 예를 들어 다음 다이어그램은 두 개의 히든 레이어가 포함된 심층신경망을 보여줍니다.

신경망의 각 뉴런은 다음 레이어의 모든 노드에 연결됩니다. 예를 들어 위의 다이어그램에서 첫 번째 숨겨진 계층의 세 뉴런은 각각 두 번째 숨겨진 계층의 두 뉴런에 개별적으로 연결됩니다.

컴퓨터에 구현된 신경망은 뇌 및 기타 신경계에서 발견되는 신경망과 구별하기 위해 인공 신경망이라고도 합니다.

일부 신경망은 매우 복잡한 비선형 관계를 모방할 수 있음 라벨을 지정합니다.

컨볼루셔널 신경망 및 순환 신경망(RNN).

뉴런

#fundamentals

머신러닝에서 신경망의 숨겨진 레이어 내의 고유한 단위입니다. 각 뉴런은 다음을 수행합니다. 2단계 작업:

1. 입력 값에 해당 가중치를 곱한 가중치 합계를 계산합니다.
2. 가중치가 적용된 합계를 활성화 함수.

첫 번째 히든 레이어의 뉴런이 특성값의 입력을 허용 입력 레이어에 위치하게 됩니다. 다음 히든 레이어에 있는 뉴런 첫 번째는 앞의 히든 레이어에 있는 뉴런의 입력을 받습니다. 예를 들어 두 번째 히든 레이어의 뉴런은 뉴런을 생성합니다.

다음 그림에는 두 개의 뉴런과 입력이 강조 표시되어 있습니다.

신경망의 뉴런은 뇌 및 신경계의 다른 부분에 있는 뉴런의 동작을 모방합니다.

N-그램

#seq

#language

순서가 있는 N개 단어의 시퀀스입니다. 예를 들어 truly madly는 2-그램입니다. 왜냐하면 madly who는 truly madly와 다른 2-그램입니다.

N	이 종류의 N-그램에 대한 이름	예
2	바이그램 또는 2-그램	to go, go to, eat lunch, eat dinner
3	트라이그램 또는 3-그램	맹인 쥐 세 마리를 너무 많이 먹어서
4	4-그램	walk in the park, dust in the wind, the boy ate lentils

많은 자연어 이해 모델이 N-그램을 사용하여 사용자가 다음에 입력하거나 말할 가능성이 있는 단어를 예측합니다. 예를 들어 사용자가 three blind를 입력했다고 가정합니다. 트라이그램을 기반으로 하는 NLU 모델은 사용자는 다음으로 mice를 입력합니다.

N-그램을 순서가 지정되지 않은 단어 세트인 단어 집합과 비교해 보시기 바랍니다.

NLU

#language

자연어 이해의 약어입니다.

노드(결정 트리)

#df

결정 트리에서 condition 또는 leaf.

노드 (신경망)

#fundamentals

히든 레이어의 뉴런

노드 (TensorFlow 그래프)

#TensorFlow

TensorFlow 그래프의 연산

노이즈

대체적으로 데이터 세트에서 신호를 확인하기 어렵게 하는 모든 것을 말합니다. 노이즈 다양한 방법으로 데이터에 도입할 수 있습니다. 예를 들면 다음과 같습니다.

• 평가자가 라벨을 잘못 지정합니다.
• 인간과 계측기가 특성 값을 잘못 기록하거나 생략합니다.

논바이너리 조건

#df

가능한 결과가 2개 이상인 조건입니다. 예를 들어 다음과 같은 비바이너리 조건에는 세 가지 가능한 결과가 포함됩니다.

비선형

#fundamentals

덧셈과 곱셈을 통해서만 표현할 수 없는 두 개 이상의 변수 간의 관계입니다. 선형 관계는 선으로 표현할 수 있습니다. 비선형 관계는 선으로 표현할 수 없습니다. 예를 들어 각각 단일 특성을 단일 라벨과 연결하는 두 모델을 생각해 보겠습니다. 왼쪽 모델은 선형이고 오른쪽 모델은 비선형입니다.

무응답 편향

#fairness

표본 선택 편향을 참고하세요.

비정상성

#fundamentals

하나 이상의 측정기준(일반적으로 시간)에서 값이 변경되는 지형지물입니다. 예를 들어 다음과 같은 비비정상성을 생각해 보세요.

• 특정 매장에서 판매되는 수영복의 수는 계절에 따라 다릅니다.
• 특정 지역에서 수확한 특정 과일의 수량 은 일 년 내내 0이지만 짧은 기간 동안은 큰 수치입니다.
• 기후 변화로 인해 연간 평균 기온이 변화하고 있습니다.

정상성과 대비되는 개념입니다.

정규화

#fundamentals

대략적으로 말해 변수의 실제 값 범위를 표준 값 범위로 변환하는 프로세스입니다. 예를 들면 다음과 같습니다.

• -1~+1
• 0~1
• Z-점수 (대략 -3~+3)

예를 들어 특정 특성의 실제 값 범위가 800~2,400입니다. 특성 추출의 일환으로 실제 값을 표준 범위로 정규화할 수 있습니다. -1에서 +1로 설정합니다.

정규화는 모델 아키텍처에서 특성 추출을 수행합니다. 일반적으로 모델의 학습 속도가 더 빠름 (그리고 더 나은 예측을 생성)할 수 있습니다. 특성 벡터의 범위가 거의 동일합니다.

자세한 내용은 머신러닝 단기집중과정의 숫자 데이터 작업 모듈을 참고하세요. Z-점수 정규화도 참고하세요.

새로운 감지

새로운(신규) 예가 학습 세트와 동일한 분포에서 비롯되었는지 확인하는 과정입니다. 즉, 학습 세트에서 학습한 후 신규성 감지는 (추론 중 또는 추가 학습 중) 새 예시가 이상치인지 여부를 결정합니다.

이상치 감지와 대비되는 개념입니다.

수치 데이터

#fundamentals

정수 또는 실수로 표현되는 특성입니다. 예를 들어 주택 감정 모델은 주택 크기(제곱피트 또는 제곱미터)를 숫자 데이터로 나타낼 수 있습니다. 대표성 숫자 데이터로서의 특성은 특성의 값이 라벨에 대한 수학적 관계입니다. 즉, 주택의 면적은 주택의 가치와 수학적 관계가 있을 수 있습니다.

모든 정수 데이터를 수치 데이터로 표현해서는 안 됩니다. 예를 들어 일부 지역의 우편번호는 정수이지만 정수 우편번호는 모델에서 숫자 데이터로 표현되어서는 안 됩니다. 그 이유는 20000의 우편번호는 다음 우편번호보다 두 배 또는 절반 더 강력하지 않습니다. 10,000명입니다. 또한 서로 다른 우편번호는 서로 서로 다른 우편번호가 아닌 지역의 부동산 가격이 20000은 우편번호가 10000인 부동산 가치의 두 배입니다. 따라서 우편번호는 범주형 데이터로 표현되어야 합니다.

수치 특성을 연속 특성이라고도 합니다.

NumPy

오픈소스 수학 라이브러리 는 Python에서 효율적인 배열 작업을 제공합니다. Pandas는 NumPy를 기반으로 합니다.

O

목표

알고리즘에서 최적화하려는 측정항목입니다.

목적 함수

모델이 최적화하고자 하는 수학 공식 또는 측정항목입니다. 예를 들어 선형 회귀는 일반적으로 평균 제곱 손실. 따라서 모델을 학습시키면 학습의 목표는 평균 제곱 손실을 최소화하는 것입니다.

목적 함수를 최대화하는 것이 목표인 경우도 있습니다. 예를 들어 목적 함수가 정확성이면 목표는 정확도를 극대화합니다

손실도 참고하세요.

사위

#df

결정 트리에서 두 개 이상의 기능이 포함된 조건입니다. 예를 들어 높이와 너비가 모두 지형지물인 경우 다음은 경사 조건입니다.

  height > width

축 정렬 조건과 대비되는 개념입니다.

오프라인

#fundamentals

정적의 동의어입니다.

오프라인 추론

#fundamentals

모델에서 예측 배치를 생성하는 프로세스 이러한 예측을 캐시 (저장)할 수 있습니다. 그러면 앱은 모델을 다시 실행하는 대신 캐시에서 추론된 예측에 액세스할 수 있습니다.

지역 일기예보를 생성하는 모델을 예로 들어보겠습니다. 4시간마다 한 번) 모델이 실행될 때마다 시스템은 모든 지역 일기예보를 캐시합니다. 날씨 앱이 일기예보 검색 삭제합니다.

오프라인 추론을 정적 추론이라고도 합니다.

온라인 추론과 대비되는 개념입니다.

원-핫 인코딩

#fundamentals

범주형 데이터를 벡터로 표현하는 방법은 다음과 같습니다.

• 요소 한 개가 1로 설정됩니다.
• 다른 모든 요소는 0으로 설정됩니다.

원-핫 인코딩은 일반적으로 가능한 값이 유한한 집합을 가질 수 있도록 하는 것입니다. 예를 들어 이름이 Scandinavia에는 다음과 같은 5가지 값이 있을 수 있습니다.

• '덴마크'
• '스웨덴'
• '노르웨이'
• '핀란드'
• "아이슬란드"

원핫 인코딩은 다음과 같이 5가지 값을 각각 나타낼 수 있습니다.

국가	벡터
'덴마크'	1	0	0	0	0
'스웨덴'	0	1	0	0	0
'노르웨이'	0	0	1	0	0
'핀란드'	0	0	0	1	0
'아이슬란드'	0	0	0	0	1

원-핫 인코딩 덕분에 모델은 여러 네트워크 간의 기준으로 삼았습니다.

특성을 숫자 데이터로 나타내는 것은 원-핫 인코딩의 대안입니다. 안타깝게도 숫자로 보는 스칸디나비아 국가는 좋은 선택이 아닙니다. 예를 들어 다음과 같은 숫자 표현을 고려하세요.

• '덴마크' 0
• '스웨덴'은 1입니다.
• '노르웨이'는 2입니다.
• '핀란드'는 3입니다.
• '아이슬란드'는 4입니다.

숫자 인코딩을 사용하면 모델이 원시 숫자를 수학적으로 해석하고 이러한 숫자로 학습하려고 시도합니다. 하지만 아이슬란드는 실제 몸과 비하면 이상한 결론에 도달하게 될 것입니다.

원샷 학습

단일 학습 예시에서 효과적인 분류기를 학습하도록 설계된 머신러닝 접근 방식으로, 객체 분류에 자주 사용됩니다.

퓨샷 학습 및 제로샷 학습.

원샷 프롬프팅

#language

#generativeAI

대규모 언어 모델이 응답하는 방식을 보여주는 하나의 예시가 포함된 프롬프트입니다. 예를 들어 다음 프롬프트에는 대규모 언어 모델이 쿼리에 응답하는 방법을 보여주는 예시가 하나 포함되어 있습니다.

하나의 프롬프트의 부분	참고
지정된 국가의 공식 통화는 무엇인가요?	LLM이 답변할 질문
프랑스: 유로	한 가지 예입니다.
인도:	실제 쿼리입니다.

원샷 프롬프팅을 다음 용어와 비교 및 대조하세요.

• 제로샷 프롬프팅
• 퓨샷 프롬프팅

one-vs.-all

#fundamentals

클래스가 N개인 분류 문제에서, 솔루션은 가능한 각 결과에 하나씩 서로 다른 N개의 이진 분류자로 구성됩니다. 예를 들어 예시를 동물, 채소, 광물로 분류하는 모델이 있는 경우 일대다 솔루션은 다음과 같은 세 가지 이진 분류자를 제공합니다.

• 동물 또는 동물 아님
• 채소와 채소가 아닌 것
• 광물과 비광물

online

#fundamentals

동적의 동의어입니다.

온라인 추론

#fundamentals

요청에 따라 예측을 생성합니다. 예를 들어 앱이 입력을 모델에 전달하고 예측 요청을 실행한다고 가정해 보겠습니다. 온라인 추론을 사용하는 시스템은 다음을 실행하여 요청에 응답합니다. 앱에 예측을 반환합니다.

오프라인 추론과 대비되는 개념입니다.

작업(op)

#TensorFlow

TensorFlow에서는 텐서를 만들거나 조작하거나 삭제하는 모든 절차를 작업으로 간주합니다. 예를 들어 행렬 곱셈은 두 개의 텐서를 입력으로 취하고 하나의 텐서를 출력으로 생성하는 연산입니다.

Optax

JAX용 그라데이션 처리 및 최적화 라이브러리입니다. Optax는 보다 용이하게 사용할 수 있는 다양한 구성 요소를 제공하여 와 같은 매개변수 모델을 최적화하기 위해 맞춤 방식으로 재조합됨 심층신경망입니다. 기타 목표는 다음과 같습니다.

• 읽기 쉽고 테스트가 잘 진행되었으며 효율적인 핵심 구성요소 구현을 제공합니다.
• 저수준의 식재료를 결합할 수 있도록 하여 생산성 향상 맞춤 옵티마이저 (또는 기타 그라디언트 처리 구성요소)로 가져올 수 있습니다.
• 누구나 쉽게 참여할 수 있도록 하여 새로운 아이디어의 채택 속도를 높이는 것입니다.

옵티마이저

경사하강법 알고리즘의 구체적인 구현입니다. 인기 있는 옵티마이저에는 다음이 포함됩니다.

• AdaGrad: 적응형 경사 하강을 의미합니다.
• Adam은 ADAptive with Momentum의 약자입니다.

외부 집단 동질화 편향

#fairness

태도, 가치, 성격 특성 및 기타 특성을 비교할 때 외부 집단 구성원을 내집단 구성원과 유사한 것으로 간주하는 경향입니다. 내집단은 정기적으로 상호작용하는 사람을 말하고, 외부 집단은 정기적으로 상호작용하지 않는 사람을 말합니다. 만약 사람들에게 관련 특성을 제공하도록 요청하여 데이터 세트를 생성 외부 집단과 비교하면 이러한 특성은 미묘한 차이와 고정 관념이 더 강할 수 있습니다. 더 높은 속성이 더합니다.

예를 들어 난쟁이가 건축 스타일, 창, 문, 크기 등 작은 차이를 인용하면서 다른 난쟁이의 주택을 자세히 설명할 수 있습니다. 하지만 동일한 난쟁이가 거인들은 모두 같은 집에 산다고 단언할 수도 있습니다.

외부 집단 동질화 편향은 그룹 귀인 편향입니다.

내집단 편향을 참조하세요.

이상점 감지

학습 세트에서 이상치를 식별하는 프로세스입니다.

신기성 감지와 대비되는 개념입니다.

연구

다른 대부분의 값과 거리가 먼 값 머신러닝에서 다음은 이상점입니다.

• 입력 데이터의 값이 평균에서 대략 표준편차 3만큼 떨어진 경우
• 가중치의 절대값이 높은 경우
• 예측된 값이 실제 값과 비교적 멀리 떨어진 경우

예를 들어 widget-price가 특정 모델의 특성이라고 가정해 보겠습니다. 평균 widget-price이 7유로이고 표준 편차가 1유로라고 가정합니다. widget-price가 12유로 또는 2유로 포함된 예 각 가격이 이상점으로 간주되므로 평균에서 5 표준 편차를 나타냅니다.

예외치는 오타나 기타 입력 실수로 인해 발생하는 경우가 많습니다. 다른 경우에는 특이값이 실수가 아닙니다. 결국 평균에서 5개의 표준 편차 떨어진 값은 드물지만 불가능하지는 않습니다.

이상점은 모델 학습에서 문제를 일으키는 경우가 많습니다. 경사 제한은 이상점을 관리하는 방법의 하나입니다.

오프백 평가(OOB 평가)

#df

각 결정 트리를 해당 결정 트리의 학습 중에 사용되지 않은 예시를 기준으로 테스트하여 학습 포레스트의 품질을 평가하는 메커니즘입니다. 예를 들어 시스템이 각 결정 트리를 학습시키고 평가한 다음 나머지 3분의 1입니다

Out-of-bag(패키지 외) 평가는 계산상 효율적이고 보수적임 교차 검증 메커니즘의 근사치입니다. 교차 검증에서는 각 교차 검증 라운드마다 하나의 모델이 학습됩니다. 예를 들어 10개 모델은 10배 교차 검증으로 학습됩니다. OOB 평가에서는 단일 모델이 학습됩니다. 왜냐하면 bagging 학습 중에 각 트리에서 일부 데이터를 보류하므로 OOB 평가는 교차 검증의 근사치를 계산합니다.

출력 레이어

#fundamentals

신경망의 '최종' 레이어입니다. 출력 레이어에는 예측이 포함됩니다.

다음 그림은 입력이 있는 작은 심층신경망을 보여줍니다. 히든 레이어 2개, 출력 레이어로 구성됩니다.

과적합

#fundamentals

생성된 모델이 학습 데이터와 지나치게 일치하여 새 데이터를 올바르게 예측하지 못하는 경우입니다.

정규화를 사용하면 과적합을 줄일 수 있습니다. 다양하고 대규모인 학습 세트에서 학습하면 과적합을 줄일 수도 있습니다.

추가 메모를 보려면 아이콘을 클릭하세요.

과적합은 자신이 좋아하는 사람의 조언만 엄격하게 따르는 것과 같습니다. 선생님. 이 교사의 수업에서는 성공할 수 있지만, 이 교사의 아이디어에 '오버핏'되어 다른 수업에서는 실패할 수 있습니다. 여러 선생님의 조언을 따르다 보면 새로운 상황에 더 잘 적응할 수 있습니다.

---

오버샘플링

클래스 불균형 데이터 세트에서 소수 클래스의 예시를 재사용하여 더 균형 잡힌 학습 세트를 만듭니다.

예를 들어 이진 분류를 특정 가중치에 대한 주요 클래스의 비율이 5,000:1입니다. 데이터 세트에 백만 개의 예가 포함되어 있으면 데이터 세트에는 소수 범주의 예가 약 200개만 포함되어 있는데, 예시가 너무 적어야 효과적인 학습이 가능합니다. 이 단점을 극복하기 위해 이러한 200개의 예시를 여러 번 오버샘플링(재사용)하여 유용한 학습에 충분한 예시를 얻을 수 있습니다.

오버샘플링할 때는 과적합에 주의해야 합니다.

언더샘플링과 대비되는 개념입니다.

P

패킹된 데이터

데이터를 더 효율적으로 저장하는 접근 방식입니다.

패킹된 데이터는 압축된 형식을 사용하거나 더 효율적으로 액세스할 수 있는 다른 방법으로 데이터를 저장합니다. 패킹된 데이터는 데이터에 액세스하는 데 필요한 메모리와 계산량을 최소화하므로 더 빠른 학습과 더 효율적인 모델 추론을 가능하게 합니다.

패킹된 데이터는 데이터 증강 및 정규화와 같은 다른 기술과 함께 사용되어 모델의 성능을 더욱 개선합니다.

pandas

#fundamentals

numpy를 기반으로 빌드된 열 지향 데이터 분석 API입니다. TensorFlow를 비롯한 많은 머신러닝 프레임워크에서 pandas 데이터 구조를 입력으로 지원합니다. 자세한 내용은 Pandas 문서 참조하세요.

parameter

#fundamentals

모델이 학습 중에 학습하는 가중치 및 편향입니다. 예를 들어 선형 회귀 모델에서 매개변수는 다음과 같이 구성됩니다. 편향 (b)과 모든 가중치 (w₁, w₂, 등)을 다음 공식으로 계산합니다.

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

반면 초매개변수는 사용자(또는 초매개변수 조정 서비스)가 모델에 제공하는 값입니다. 예를 들어 학습률은 초매개변수입니다.

매개변수 효율적인 조정

#language

#generativeAI

전체 미세조정보다 효율적으로 대규모 선행 학습 언어 모델(PLM)을 미세조정하는 일련의 기법입니다. 매개변수 효율적 미세 조정은 일반적으로 전체 매개변수보다 훨씬 적은 매개변수를 미세 조정합니다. 미세 조정이지만 일반적으로 작업을 수행하는 대규모 언어 모델 완전 관리형 플랫폼에서 빌드한 대규모 언어 모델로서 미세 조정 등이 있습니다

매개변수 효율적인 튜닝을 다음과 비교 및 대조하세요.

• 명령 조정을
• 프롬프트 조정

매개변수 효율적인 조정은 매개변수 효율적인 미세 조정이라고도 합니다.

매개변수 서버 (PS)

#TensorFlow

모델에서 매개변수를 추적하는 작업입니다. 설정할 수 있습니다

매개변수 업데이트

모델의 매개변수를 조정하는 작업은 일반적으로 한 번의 반복으로 경사하강법.

편미분

변수 중 하나를 제외한 모든 변수가 상수로 간주되는 미분입니다. 예를 들어 x에 대한 f(x, y)의 편미분은 다음과 같습니다. x만의 함수로 간주되는 f의 도함수 (y를 유지함) 상수). x에 대한 f의 편도함수는 오직 방정식의 다른 모든 변수를 무시하고 x가 어떻게 변하는지를 나타냅니다.

응답 참여 편향

#fairness

무응답 편향의 동의어입니다. 표본 선택 편향을 참고하세요.

파티셔닝 전략

매개변수 서버 전반에서 여러 변수를 분할하는 알고리즘입니다.

Pax

대규모 신경망 모델을 학습하도록 설계된 프로그래밍 프레임워크로, 규모가 너무 커서 여러 TPU 가속기 칩 슬라이스 또는 포드에 걸쳐 있습니다.

Pax는 JAX를 기반으로 하는 Flax를 기반으로 합니다.

퍼셉트론

하나 이상의 입력 값을 받아들이는 시스템 (하드웨어 또는 소프트웨어)입니다. 입력의 가중 합계에 대해 함수를 실행하고 출력 값입니다. 머신러닝에서 함수는 일반적으로 다음과 같이 비선형입니다. ReLU, 시그모이드 또는 tanh입니다. 예를 들어 다음 퍼셉트론은 시그모이드 함수를 사용하여 세 개의 입력값이 있습니다.

$$f(x_1, x_2, x_3) = \text{sigmoid}(w_1 x_1 + w_2 x_2 + w_3 x_3)$$

다음 그림에서 퍼셉트론은 세 개의 입력을 취합니다. 퍼셉트론에 들어가기 전에 가중치에 의해 수정됩니다.

퍼셉트론은 다음과 같은 뉴런입니다. 신경망입니다.

performance

중복으로 정의된 용어로, 다음과 같은 의미를 갖습니다.

• 소프트웨어 엔지니어링의 표준 의미 이름: 얼마나 빠르게 또는 효율적으로 실행되는가?
• 머신러닝 내의 의미 여기에서 성능은 이 모델은 얼마나 정확한가요? 즉, 모델의 예측이 얼마나 효과적인지를 나타냅니다.

순열 변수 중요도

#df

특성 값을 순열한 후 모델의 예측 오류 증가를 평가하는 변수 중요도의 한 유형입니다. 순열 변수 중요도는 모델과 무관한 측정항목입니다.

퍼플렉시티

모델의 작업 수행 능력을 나타내는 척도입니다. 예를 들어 단어의 처음 몇 글자를 읽는 작업이 있다고 가정해 보겠습니다. 사용자가 휴대전화 키보드에서 입력하고 있으며 가능한 표시됩니다. 이 작업의 퍼플렉시티 P는 몇 개의 예상 검색어만 입력할 수 있습니다 입력하려고 합니다.

퍼플렉시티와 교차 엔트로피의 관계는 다음과 같습니다.

$$P= 2^{-\text{cross entropy}}$$

pipeline

머신러닝 알고리즘을 둘러싼 인프라입니다. 파이프라인에는 데이터 수집, 데이터를 학습 데이터 파일에 저장, 하나 이상의 모델 학습, 모델을 프로덕션으로 내보내기가 포함됩니다.

파이프라인

#language

모델 동시 로드의 한 형태이며, 모델의 처리는 연속 단계로 나뉘며 각 단계는 로그인해서는 안 됩니다. 단계에서 하나의 배치를 처리하는 동안 이전 다음 배치에서 작동할 수 있습니다.

단계별 학습도 참고하세요.

피짓

코드를 분할하여 여러 영역에서 실행하도록 JAX 함수 가속기 칩. 사용자는 pjit에 함수를 전달합니다. 그러면 pjit는 동등한 시맨틱을 보유하지만 여러 기기(예: GPU 또는 TPU 코어)에서 실행되는 XLA 연산으로 컴파일된 함수를 반환합니다.

pjit를 사용하면 사용자가 SPMD 파티션 나누기

2023년 3월부터 pjit가 jit와 병합되었습니다. 자세한 내용은 분산 배열 및 자동 병렬 처리를 참고하세요.

PLM

#language

#generativeAI

선행 학습된 언어 모델의 약어입니다.

pmap

여러 기본 하드웨어 기기(CPU, GPU 또는 TPU)에서 서로 다른 입력 값으로 입력 함수의 사본을 실행하는 JAX 함수입니다. pmap는 SPMD를 사용합니다.

정책

#rl

강화 학습에서 상태에서 작업으로의 에이전트의 확률적 매핑입니다.

풀링

#image

이전에 생성했던 행렬을 줄이는 것은 컨볼루셔널 레이어를 더 작은 행렬로 변환합니다. 풀링에는 일반적으로 풀링된 영역에서 최대값 또는 평균값을 취하는 작업이 포함됩니다. 예를 들어 다음과 같은 3x3 행렬이 있다고 가정해 보겠습니다.

풀링 연산에서는 컨볼루션 연산에서와 마찬가지로 행렬을 슬라이스로 나눈 다음 스트라이드 보폭으로 슬라이드하면서 컨볼루션 연산을 수행합니다. 예를 들어 풀링 연산이 컨볼루션 행렬을 1x1 스트라이드로 2x2 슬라이스로 나눈다고 가정해 보겠습니다. 다음 다이어그램에 나와 있는 것처럼 풀링 연산이 4번 발생합니다. 각 풀링 작업이 해당 슬라이스의 4개 값 중 최대 값을 선택한다고 가정해 보겠습니다.

풀링을 사용하면 입력 행렬에서 병진 불변을 적용할 수 있습니다.

비전용 풀링은 공식적으로 공간 풀링으로 더 잘 알려져 있습니다. 시계열에서 활용되는 풀링은 일시적 풀링이라고 합니다. 풀링을 덜 형식적으로 하위 샘플링 또는 다운샘플링이라고도 합니다.

위치 인코딩

#language

시퀀스에서 토큰의 위치에 대한 정보를 추가하여 임베딩을 얻습니다 변환 모델은 위치 인코딩을 사용하여 시퀀스의 여러 부분 간의 관계를 더 잘 이해합니다.

위치 인코딩의 일반적인 구현은 사인 함수를 사용합니다. 특히, 정현파 함수의 주파수와 진폭은 시퀀스에서 토큰의 위치에 따라 결정됩니다. 이 기법을 사용하면 Transformer 모델이 위치에 따라 시퀀스의 여러 부분에 주의를 기울이는 방법을 학습할 수 있습니다.

양성 클래스

#fundamentals

테스트 중인 클래스입니다.

예를 들어, 암 모델의 포지티브 클래스는 '종양'일 수 있습니다. 이메일 분류기의 포지티브 클래스는 '스팸'일 수 있습니다.

네거티브 클래스와 대비되는 개념입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

포지티브 클래스라는 용어는 '포지티브 클래스'로 결과 바람직하지 않은 결과인 경우가 많습니다 예를 들어 많은 의료 검사의 포지티브 클래스는 종양이나 질병에 해당합니다. 일반적으로 의사가 '축하합니다. 테스트 결과가 부정적이었습니다.' 어쨌든 포지티브 클래스는 테스트에서 찾으려는 이벤트입니다.

물론 양성 및 음성 모두를 동시에 테스트하는 중입니다 있습니다.

---

후처리

#fairness

#fundamentals

모델이 실행된 후 모델의 출력을 조정합니다. 후처리를 사용하면 추가 작업 없이도 공정성 제약 조건을 적용할 수 있으며, 모델 자체를 수정합니다.

예를 들어 이진 분류기에 후처리를 적용할 수 있습니다. 분류 임곗값을 설정하여 기회의 균등이 유지됨 일부 속성의 경우 참양성률이 해당 속성의 모든 값에 대해 동일합니다.

PR AUC(PR 곡선 아래 영역)

보간된 정밀도-재현율 곡선 아래의 면적으로, 분류 임계값의 다양한 값에 대한 (재현율, 정밀도) 점을 표시하여 얻습니다. 방법에 따라 계산 시 PR AUC는 모델의 평균 정밀도와 같습니다.

Praxis

Pax의 핵심 고성능 ML 라이브러리입니다. Praxis는 '레이어 라이브러리'라고도 합니다.

Praxis에는 레이어 클래스의 정의뿐만 아니라 다음을 비롯한 대부분의 지원 구성요소도 포함되어 있습니다.

• 데이터 입력
• 구성 라이브러리 (HParam 및 Fiddle)
• 옵티마이저

Praxis는 Model 클래스의 정의를 제공합니다.

precision

답을 찾는 분류 모델의 측정항목 다음 질문에 답해야 합니다.

모델이 양성 클래스를 예측했을 때 올바른 예측의 비율은 얼마였나요?

공식은 다음과 같습니다.

$$\text{Precision} = \frac{\text{true positives}} {\text{true positives} + \text{false positives}}$$

각 항목의 의미는 다음과 같습니다.

• 참양성은 모델이 포지티브 클래스를 정확하게 예측했음을 의미합니다.
• 거짓양성은 모델이 포지티브 클래스를 잘못 예측했음을 의미합니다.

예를 들어 모델에서 200건의 양성 예측을 했다고 가정하겠습니다. 양성 예측 200개 중:

• 참양성은 150개였습니다.
• 50건은 거짓양성이었습니다.

이 경우에는 다음과 같습니다.

$$\text{Precision} = \frac{\text{150}} {\text{150} + \text{50}} = 0.75$$

정확성 및 재현율과 대비됩니다.

자세한 내용은 분류: 정확성, 재현율, 정밀도, 관련 측정항목을 참고하세요.

정밀도-재현율 곡선

다양한 유형의 정밀도 대 재현율의 곡선 분류 임계값.

예측

#fundamentals

모델의 출력입니다. 예를 들면 다음과 같습니다.

• 이진 분류 모델의 예측은 포지티브 클래스 또는 네거티브 클래스입니다.
• 다중 클래스 분류 모델의 예측은 하나의 클래스입니다.
• 선형 회귀 모델의 예측은 숫자입니다.

예측 편향

예측의 평균이 데이터 세트의 라벨 평균과 얼마나 다른지 나타내는 값입니다.

머신러닝 모델의 바이어스 항 또는 윤리학 및 공정성의 편향과 혼동하지 마시기 바랍니다.

예측 ML

모든 표준('기존') 머신러닝 시스템.

예측 ML이라는 용어에는 공식적인 정의가 없습니다. 오히려 이 용어는 생성형 AI를 기반으로 하지 않는 ML 시스템의 카테고리를 구분합니다.

예측 패리티

#fairness

주어진 분류기에 대해 고려 중인 하위 그룹의 정밀도 비율이 동일한지 확인하는 공정성 측정항목입니다.

예를 들어 대학 합격을 예측하는 모델은 정밀도가 릴리푸티안과 브로드빙낵인에서 동일하면 국적에 대한 예측 패리티를 충족합니다.

예측 동등성은 예측 요금 동등성이라고도 합니다.

'공정성 정의'를 참조하세요. 설명했습니다.' (섹션 3.2.1) 예측 패리티에 대해 더 자세히 알아보세요.

예측률 패리티

#fairness

예측 패리티의 다른 이름입니다.

사전 처리

#fairness

모델을 학습하는 데 사용하기 전에 데이터를 처리합니다. 사전 처리로 인해 영어 텍스트 코퍼스에서 번역되지 않은 단어를 삭제하는 것만큼이나 간단하게 영어 사전에 나오는 단어의 뜻일 수도 있고, 다시 표현하는 것만큼 복잡할 수도 있습니다. 데이터 포인트와 관련된 데이터 포인트의 상관관계를 식별한 민감한 속성을 사용하는 것이 좋습니다. 사전 처리는 공정성 제약조건을 충족하는 데 도움이 될 수 있습니다.

선행 학습된 모델

#language

#image

#generativeAI

이미 학습이 끝난 모델 또는 모델 구성요소(예: 임베딩 벡터)입니다. 선행 학습된 임베딩 벡터를 신경망에 입력하는 경우도 있습니다. 또 다른 경우에는 모델이 임베딩 벡터 자체를 빌드할 수도 있습니다.

선행 학습된 언어 모델이라는 용어는 대규모 언어 모델을 빌드하고 사전 학습.

사전 학습

#language

#image

#generativeAI

대규모 데이터 세트에서 모델을 초기 학습합니다. 일부 선행 학습된 모델 엉뚱한 거인이며 일반적으로 추가 훈련을 통해 다듬어야 합니다. 예를 들어 ML 전문가는 위키피디아의 모든 영어 페이지와 같은 방대한 텍스트 데이터 세트에서 대규모 언어 모델을 사전 학습할 수 있습니다. 선행 학습 후에는 다음 기술 중 하나를 통해 결과 모델을 추가로 미세 조정할 수 있습니다.

• 정류
• 미세 조정
• 명령 조정을
• 매개변수 효율적인 조정
• prompt-tuning

사전 믿음

학습을 시작하기 전에 데이터에 대해 갖는 견해입니다. 예를 들어 L₂ 정규화는 가중치가 작고 일반적으로 분포되어 있습니다.

확률적 회귀 모델

선형 회귀 모델은 회귀 모델로서, 각 특성에 대한 가중치뿐만 아니라 불확실성을 줄 수 있습니다 확률적 회귀 모델은 예측과 예측의 불확실성입니다. 예를 들어 확률적 회귀 모델은 표준 편차가 12인 325의 예측을 산출할 수 있습니다. 확률적 회귀 모델에 관한 자세한 내용은 이 tensorflow.org의 Colab을 참고하세요.

확률 밀도 함수

정확히 1이 있는 데이터 샘플의 빈도를 식별하는 함수 알 수 있습니다. 데이터 세트의 값이 연속 부동 소수점 수인 경우 정확한 일치는 거의 발생하지 않습니다. 그러나 값 x에서 값 y까지 확률 밀도 함수를 적분하면 x과 y 사이의 데이터 샘플의 예상 빈도가 나옵니다.

예를 들어 평균이 200이고 표준 편차 30입니다. 211.4~218.7 범위에 포함되는 데이터 샘플의 예상 빈도를 확인하려면 211.4~218.7에서 정규 분포의 확률 밀도 함수를 통합하면 됩니다.

프롬프트

#language

#generativeAI

대규모 언어 모델에 입력으로 입력된 모든 텍스트 모델을 특정 방식으로 동작하도록 조건부를 지정할 수 있습니다. 프롬프트는 문구처럼 짧을 수도 있고 소설의 전체 텍스트처럼 임의로 길 수도 있습니다. 프롬프트 다음 표에 표시된 카테고리를 포함하여 여러 카테고리로 분류됩니다.

프롬프트 카테고리	예	참고
질문	비둘기는 얼마나 빨리 날 수 있나요?
안내	광고용 사이트에 관한 재미있는 시를 써 줘	대규모 언어 모델에 무언가 수행하도록 요청하는 프롬프트
예	마크다운 코드를 HTML로 변환합니다. 예를 들면 다음과 같습니다. 마크다운: * 목록 항목 HTML: <ul> <li>목록 항목</li> &lt;/ul&gt;	이 예시 프롬프트의 첫 번째 문장은 안내입니다 프롬프트의 나머지 부분은 예시입니다.
역할	물리학 박사 과정에 있는 학생에게 머신러닝 학습에 경사하강법이 사용되는 이유를 설명합니다.	문장의 첫 부분은 안내입니다. '물리학 박사'라는 문구는 역할 부분입니다.
완료할 모델의 부분 입력	영국 총리는	부분 입력 프롬프트는 갑자기 끝날 수도 있고(이 예와 같이) 밑줄로 끝날 수도 있습니다.

생성형 AI 모델은 텍스트, 코드, 이미지, 임베딩, 동영상 등 거의 모든 항목으로 프롬프트에 응답할 수 있습니다.

프롬프트 기반 학습

#language

#generativeAI

임의의 텍스트 입력(프롬프트)에 응답하여 동작을 조정할 수 있는 특정 모델의 기능입니다. 일반적인 프롬프트 기반 학습 패러다임에서는 대규모 언어 모델은 프롬프트에 생성하는 것입니다. 예를 들어 사용자가 다음 프롬프트를 입력했다고 가정해 보겠습니다.

뉴턴의 운동 제3법칙 요약

프롬프트 기반 학습을 할 수 있는 모델은 이전 프롬프트에 응답하도록 구체적으로 학습되지 않습니다. 오히려 모델은 물리학에 대한 많은 사실을 일반적인 언어 규칙과 일반적인 언어 규칙의 구성 요소 및 도움이 될 것입니다. 이 지식만으로도 있습니다. 사람의 추가 피드백('답변이 너무 복잡함' 또는 '반응이란 무엇인가?')를 통해 일부 프롬프트 기반 학습 시스템은 점진적으로 답변의 유용성을 높일 수 있습니다.

프롬프트 설계

#language

#generativeAI

프롬프트 엔지니어링의 동의어입니다.

프롬프트 엔지니어링

#language

#generativeAI

대규모 언어 모델에서 원하는 응답을 유도하는 프롬프트를 만드는 기술입니다. 사람이 프롬프트 엔지니어링을 실행합니다. 체계적인 메시지 작성은 대규모 언어 모델에서 유용한 응답을 보장하는 데 필수적인 부분입니다. 프롬프트 엔지니어링은 다음을 비롯한 여러 요인에 따라 달라집니다.

• 사전 학습에 사용되는 데이터 세트(가능한 경우) 대규모 언어 모델을 fine-tune합니다.
• 모델이 응답을 생성하는 데 사용하는 강도 및 기타 디코딩 매개변수입니다.

자세한 내용은 프롬프트 설계 소개 를 참고하세요.

프롬프트 설계는 프롬프트 엔지니어링의 동의어입니다.

프롬프트 조정

#language

#generativeAI

시스템이 실제 프롬프트 앞에 추가하는 '접두사'를 학습하는 매개변수 효율적인 조정 메커니즘입니다.

프롬프트 조정의 한 가지 변형(접두사 조정이라고도 함)은 모든 레이어에 접두사를 추가하는 것입니다. 반면 대부분의 프롬프트 조정은 입력 레이어에 접두어만 추가합니다.

접두어에 대해 자세히 알아보려면 아이콘을 클릭하세요.

프롬프트 조정의 경우 '접두사'('소프트 프롬프트'라고도 함)는 학습된 태스크별 벡터로, 실제 프롬프트의 텍스트 토큰 임베딩 앞에 추가됩니다. 시스템은 다른 모든 모델 매개변수를 고정하고 특정 작업에서 미세 조정하여 조용한 프롬프트를 학습합니다.

---

프록시 라벨

#fundamentals

데이터 세트에서 직접 사용할 수 없는 라벨의 근사치를 계산하는 데 사용되는 데이터입니다.

예를 들어 직원 수를 예측하도록 모델을 학습시켜야 한다고 가정하겠습니다. 도움이 됩니다. 데이터 세트에 많은 예측 특성이 포함되어 있지만 스트레스 수치라는 라벨이 없습니다. 당연히 '직장 사고'를 선택하죠. 에 대한 프록시 라벨로 도움이 됩니다. 결국 스트레스를 많이 받는 직원들은 사고를 더 많이 덜어줍니다. 아니면 그렇지 않나요? 직장 사고는 여러 가지 이유로 실제로 증가하거나 감소할 수 있습니다.

두 번째 예로, is it raining?을 부울 라벨이 되기를 원한다고 가정해 보겠습니다. 데이터 세트에 강우 데이터가 포함되어 있지 않습니다. 만약 사용할 수 있는 경우에는 사람들의 사진을 비가 오나요?에 대한 프록시 라벨로 우산을 들고 있습니다. 좋은 대리 라벨인가요? 그럴 수도 있지만, 어떤 문화에서는 비보다 햇빛을 가리기 위해 우산을 들고 다니는 경우가 더 많을 수 있습니다.

프록시 라벨은 불완전하는 경우가 많습니다. 가능하면 프록시 라벨보다 실제 라벨을 선택하세요. 하지만 실제 라벨이 없는 경우 가장 나쁜 프록시 라벨 후보를 선택하여 프록시 라벨을 매우 신중하게 선택합니다.

프록시(민감한 속성)

#fairness

광고의 표준으로 사용되는 민감한 속성. 예를 들어 개인의 우편번호가 개인의 소득, 인종 또는 민족을 나타내는 대리 변수로 사용될 수 있습니다.

순수 함수

출력이 입력에만 기반하고 부수 효과가 없는 함수입니다. 특히 순수 함수는 전역 상태를 사용하거나 변경하지 않으며 함수 외부의 변수 값 등).

순수 함수를 사용하여 스레드 안전 코드를 만들 수 있습니다. 이는 여러 가속기 칩에 걸쳐 모델 코드를 샤딩할 때 유용합니다.

JAX 함수 변환 메서드에서는 입력 함수가 순수 함수여야 합니다.

Q

Q 함수

#rl

강화 학습에서 예상 수익을 액션을 상태를 검토하고 주어진 정책을 따릅니다.

Q-함수는 상태-작업 값 함수라고도 합니다.

Q-학습

#rl

강화 학습에서 에이전트가 벨만 방정식을 적용하여 마르코프 결정 프로세스의 최적 Q 함수를 학습할 수 있는 알고리즘입니다. 마르코프 의사 결정 프로세스 모델 환경입니다.

분위수

분위수 버케팅의 각 버킷입니다.

분위수 버케팅

각 버킷에 동일하거나 거의 동일한 수의 예제가 포함되도록 특성 값을 버킷에 배포합니다. 예를 들어 다음 그림은 44개의 점을 4개의 버킷으로 나눕니다. 각 버킷은 11개의 점이 포함되어 있습니다. 그림의 각 버킷에 포인트 수가 동일하고 일부 버킷은 x값의 너비가 다릅니다.

양자화

다음과 같은 방법으로 사용할 수 있는 중복으로 정의된 용어입니다.

• 분위수 버케팅 구현 특정 기능에 관해 알아봅니다.
• 더 빠른 저장, 학습, 배포를 위해 데이터를 0과 1로 변환 사용됩니다. 불리언 데이터는 더 강력한 노이즈와 오류에 대해 양자화는 모델 정확성을 개선할 수 있습니다. 양자화 기법에는 반올림, 자르기, 비닝이 포함됩니다.

• 모델의 특성을 저장하는 데 사용되는 비트 수 감소 매개변수입니다. 예를 들어 모델의 매개변수가 32비트 부동 소수점 숫자로 저장됩니다. 양자화는 이러한 데이터를 32비트에서 4, 8 또는 16비트까지. 정규화는 다음을 줄입니다.

  • 컴퓨팅, 메모리, 디스크, 네트워크 사용량
  • 예측을 추론하는 데 걸리는 시간
  • 전력 소모량

  그러나 양자화는 때때로 모델의 정확성이 학습합니다.

큐

#TensorFlow

대기열 데이터 구조를 구현하는 TensorFlow 작업입니다. 일반적으로 I/O에 사용됩니다.

R

RAG

#fundamentals

검색 증강 생성의 약어입니다.

랜덤 포레스트

#df

앙상블은 결정 트리의 특정 임의 노이즈를 사용하여 학습한 각 결정 트리 예를 들어 배깅을 사용하면 됩니다.

랜덤 포레스트는 결정 포레스트의 한 유형입니다.

무작위 정책

#rl

강화 학습에서는 사용자가 선택할 수 있는 정책은 액션을 무작위로 반환합니다.

순위

지도 학습의 한 유형으로 목표는 항목 목록을 정렬하는 것입니다.

순위(순위, 순서수)

머신러닝 문제에서 클래스의 서수 위치로 클래스로 학습합니다. 예를 들어 행동 순위는 강아지의 보상을 가장 높은 순위 (스테이크)부터 시든 케일로 끝납니다.

순위 (Tensor)

#TensorFlow

텐서의 차원 수입니다. 예를 들어 스칼라의 순위는 0이고, 벡터의 순위는 1이고, 행렬의 순위는 2입니다.

순위(순서수)와 혼동하지 마세요.

평가자

#fundamentals

예시에 라벨을 제공하는 사람입니다. '주석 작성자'는 평가자의 다른 이름입니다.

recall

다음 질문에 답하는 분류 모델의 측정항목입니다.

정답이 포지티브 클래스, 예측의 비율 포지티브 클래스로 올바르게 식별되나요?

공식은 다음과 같습니다.

\[\text{Recall} = \frac{\text{true positives}} {\text{true positives} + \text{false negatives}} \]

각 항목의 의미는 다음과 같습니다.

• 참양성은 모델이 포지티브 클래스를 정확하게 예측했음을 의미합니다.
• 거짓음성은 모델이 네거티브 클래스를 잘못 예측했음을 의미합니다.

예를 들어 모델이 참값이 포지티브 클래스인 예시에서 200번 예측했다고 가정해 보겠습니다. 예측 200개 중

• 참양성은 180개였습니다.
• 20개는 거짓음성이었습니다.

이 경우에는 다음과 같습니다.

\[\text{Recall} = \frac{\text{180}} {\text{180} + \text{20}} = 0.9 \]

클래스 불균형 데이터 세트에 관한 메모 아이콘을 클릭합니다.

재현율은 모델의 예측 성능을 결정하는 데 포지티브 클래스가 드문 분류 모델입니다. 예를 들어 클래스 불균형 데이터 세트 특정 질병에 대한 양성 클래스가 10명의 환자에서만 발생하는 경우 100만 회를 돌파했습니다. 모델이 500만 번 예측하여 다음과 같은 결과를 얻었다고 가정해 보겠습니다.

• 30 참양성
• 거짓음성 20개
• 참음성 4,999,000개
• 거짓양성 950건

따라서 이 모델의 재현율은 다음과 같습니다.

recall = TP / (TP + FN)
recall = 30 / (30 + 20) = 0.6 = 60%

반면 이 모델의 정확성은 다음과 같습니다.

accuracy = (TP + TN) / (TP + TN + FP + FN)
accuracy = (30 + 4,999,000) / (30 + 4,999,000 + 950 + 20) = 99.98%

높은 정확성 값은 인상적이지만 본질적으로 의미가 없습니다. 재현율은 클래스 불균형 데이터 세트에서 정확도보다 훨씬 더 유용한 측정항목입니다.

---

분류: 정확성, 재현율, 정밀도 및 관련 항목 참조 측정항목 를 참조하세요.

추천 시스템

#recsystems

각 사용자에 대해 상대적으로 적은 수의 바람직한 그룹을 선택하는 시스템입니다. 항목을 업데이트합니다. 예를 들어 비디오 추천 시스템은 100,000개 비디오 코퍼스에서 2개의 동영상을 추천할 수 있습니다. 예를 들어 한 사용자에게는 카사블랑카와 필라델피아 이야기를 추천하고 다른 사용자에게는 원더 우먼과 블랙 팬서를 추천할 수 있습니다. 동영상 추천 시스템은 다음과 같은 요소를 기반으로 추천됩니다.

• 비슷한 사용자가 평가하거나 시청한 영화
• 장르, 감독, 배우, 타겟 인구통계...

정류 선형 유닛 (ReLU)

#fundamentals

다음 동작을 갖는 활성화 함수입니다.

• 입력이 음수이거나 0이면 출력은 0입니다.
• 입력이 양수이면 출력은 입력과 같습니다.

예를 들면 다음과 같습니다.

• 입력이 -3이면 출력은 0입니다.
• 입력이 +3이면 출력은 3.0입니다.

다음은 ReLU의 도표입니다.

ReLU는 매우 널리 사용되는 활성화 함수입니다. 간단한 동작에도 불구하고 ReLU는 여전히 신경망이 nonlinear을 학습할 수 있도록 합니다. 특성과 라벨 간의 관계를 나타냅니다.

순환 신경망(RNN)

#seq

의도적으로 여러 번 실행하는 신경망 각 실행의 일부가 다음 실행으로 피드됩니다. 구체적으로 설명하자면 다음과 같습니다. 이전 실행의 히든 레이어가 동일한 히든 레이어에 입력을 생성합니다. 순환 신경망(RNN)은 시퀀스를 평가할 때 특히 유용하며, 히든 레이어가 시퀀스의 이전 부분에 대한 신경망의 이전 실행으로부터 학습할 수 있습니다.

예를 들어 다음 그림은 네 번 실행되는 recurrent neural network(RNN)을 보여줍니다. 히든 레이어에서 학습된 값은 첫 번째 실행은 입력 문장의 동일한 히든 레이어에 두 번째 실행입니다 마찬가지로 히든 레이어에서 학습된 값은 두 번째 실행은 함수의 동일한 히든 레이어에 대한 세 번째 실행입니다. 이러한 방식으로 순환 신경망은 는 단순한 의미보다는 전체 시퀀스의 의미를 예측합니다. 학습합니다.

회귀 모델

#fundamentals

비공식적으로 수치 예측을 생성하는 모델입니다. (반대로 분류 모델은 클래스를 생성합니다. prediction.) 예를 들어 다음은 모두 회귀 모델입니다.

• 특정 주택의 가치(예: 42만3,000유로)를 예측하는 모델입니다.
• 23.2년과 같이 특정 나무의 기대 수명을 예측하는 모델입니다.
• 특정 도시에 강수량을 예측하는 모델 0.18인치와 같이 계산됩니다.

일반적인 두 가지 회귀 모델 유형은 다음과 같습니다.

• 선형 회귀: 가장 적합한 선을 찾습니다. 라벨 값을 특성에 맞춥니다.
• 로지스틱 회귀는 일반적으로 시스템이 클래스에 매핑할 0.0~1.0의 확률 학습합니다.

수치 예측을 출력하는 모든 모델이 회귀 모델인 것은 아닙니다. 경우에 따라 숫자 예측은 숫자 클래스 이름이 있는 분류 모델일 뿐입니다. 예를 들어 숫자 우편번호는 회귀 모델이 아닌 분류 모델입니다.

정규화

#fundamentals

과적합을 줄이는 모든 메커니즘 많이 사용되는 정규화 유형은 다음과 같습니다.

• L₁ 정규화
• L₂ 정규화
• 드롭아웃 정규화
• 조기 중단 (공식적인 과적합을 효과적으로 제한할 수 있음)

정규화는 모델 복잡성에 대한 불이익으로 정의할 수도 있습니다.

추가 메모를 보려면 아이콘을 클릭하세요.

정규화는 직관에 반합니다. 정규화를 높이면 보통 학습 손실이 증가하는데, 이는 학습 손실을 목표는 학습 손실을 최소화하는 것입니다.

실제로는 그렇지 않습니다. 학습 손실을 최소화하는 것이 목표가 아닙니다. 목표는 실제 예시를 기반으로 우수한 예측을 하는 것입니다. 놀랍게도 정규화를 늘리면 학습 손실이 증가하지만 일반적으로 모델이 실제 예시를 더 잘 예측하는 데 도움이 됩니다.

---

정규화율

#fundamentals

상대적 중요도를 지정하는 숫자 정규화: 증가 정규화율은 과적합을 줄여주지만 모델의 예측 성능이 저하됩니다 반대로 정규화 비율을 줄이거나 생략하면 과적합이 증가합니다.

아이콘을 클릭하여 계산 결과를 확인하세요.

정규화 비율은 일반적으로 그리스 문자 람다로 표시됩니다. 다음은 약식 손실 방정식에서 보여줍니다. 람다의 영향:

$$\text{minimize(loss function + }\lambda\text{(regularization))}$$

여기서 정규화는 다음을 포함한 모든 정규화 메커니즘입니다.

• L₁ 정규화
• L₂ 정규화

---

강화 학습(RL)

#rl

최적의 정책을 학습하는 알고리즘 패밀리로, 환경과 상호작용할 때 수익을 극대화하는 것을 목표로 합니다. 예를 들어 대부분의 게임에서 궁극적인 보상은 승리입니다. 강화 학습 시스템은 복잡한 문제 해결에 능숙할 수 있다 게임 플레이의 성패를 좌우하는 이전 게임 동작의 순서를 결국 승으로 이어지고 궁극적으로 패배로 이어진 시퀀스가 되었습니다.

인간 피드백 기반 강화 학습 (RLHF)

#generativeAI

#rl

평가자의 피드백을 사용하여 모델 응답의 품질을 개선합니다. 예를 들어, RLHF 메커니즘은 모델의 품질과 성능을 평가하도록 사용자에게 👍 또는 🔒 그림 이모티콘으로 응답하세요. 그러면 시스템은 이 의견을 바탕으로 향후 응답을 조정할 수 있습니다.

ReLU

#fundamentals

정류 선형 유닛의 약어입니다.

리플레이 버퍼

#rl

DQN과 유사한 알고리즘에서 에이전트가 경험 재생에 사용할 상태 전환을 저장하는 데 사용하는 메모리입니다.

복제본

일반적으로 다른 머신에 있는 학습 세트 또는 모델의 사본입니다. 예를 들어 시스템은 데이터 동시 로드를 구현하기 위해 다음 전략을 사용할 수 있습니다.

1. 여러 머신에 기존 모델의 복제본을 배치합니다.
2. 학습 세트의 서로 다른 하위 집합을 각 복제본에 전송합니다.
3. 매개변수 업데이트를 집계합니다.

보고 편향

#fairness

사용자가 작업, 결과 또는 속성에 관해 쓰는 빈도가 실제 빈도나 속성이 개인 클래스의 특징이 되는 정도를 반영하지 않는다는 사실입니다. 보고 편향이 음악작품에 영향을 미칠 수 있음 머신러닝 시스템이 학습하는 데이터의 양에 대해 살펴봤습니다

예를 들어 책에서 웃음이란 단어는 호흡합니다. 책 코퍼스에서 웃음과 호흡의 상대적 빈도를 예측하는 머신러닝 모델은 웃음이 호흡보다 더 일반적이라고 판단할 수 있습니다.

벡터 표현이

데이터를 유용한 특성에 매핑하는 과정입니다.

순위 재지정

#recsystems

추천 시스템의 마지막 단계 이 기간 동안 다른 기준에 따라 채점된 항목이 다시 채점될 수 있습니다. 일반적으로 ML 알고리즘이 아닌 알고리즘입니다 재정렬에서는 다음과 같이 조치하여 스코어링 단계에서 생성되는 항목 목록을 평가합니다.

• 사용자가 이미 구매한 항목 제거
• 새로운 항목의 점수 상향

검색 증강 생성(RAG)

#fundamentals

모델이 학습된 후 검색된 지식 소스로 대규모 언어 모델(LLM) 출력을 기반으로 하여 품질을 개선하는 기법입니다. RAG는 학습된 LLM에 신뢰할 수 있는 기술 자료 또는 문서에서 검색된 정보에 대한 액세스 권한을 제공하여 LLM 대답의 정확성을 개선합니다.

검색 증강 생성을 사용해야 하는 일반적인 동기는 다음과 같습니다.

• 모델의 생성된 응답의 사실적 정확성을 높이는 것입니다.
• 모델이 학습하지 않은 지식에 대한 액세스 권한 부여
• 모델이 사용하는 지식 변경
• 모델이 출처를 인용할 수 있도록 설정합니다.

예를 들어 화학 앱에서 PaLM API를 사용하여 사용자 검색어와 관련된 요약을 생성한다고 가정해 보겠습니다. 앱의 백엔드가 쿼리를 수신하면 백엔드는 다음을 충족해야 합니다.

1. 사용자의 검색어와 관련된 데이터를 검색('검색')합니다.
2. 사용자의 검색어에 관련 화학 데이터를 추가('보강')합니다.
3. 추가된 데이터를 기반으로 요약을 만들도록 LLM에 지시합니다.

리턴

#rl

강화 학습에서 특정 정책과 특정 상태가 주어지면 수익은 에이전트가 상태에서 에피소드의 끝까지 정책을 따를 때 받을 것으로 예상되는 모든 리워드의 합계입니다. 상담사는 리워드를 얻는 데 필요한 상태 전환에 따라 리워드를 할인하여 예상 리워드의 지연된 특성을 고려합니다.

따라서 할인 계수가 \(\gamma\)이고 \(r_0, \ldots, r_{N}\)인 경우 에피소드가 끝날 때까지 리워드를 표시한 후 수익 계산 다음과 같습니다.

$$\text{Return} = r_0 + \gamma r_1 + \gamma^2 r_2 + \ldots + \gamma^{N-1} r_{N-1}$$

리워드가

#rl

강화 학습에서는 학습 데이터의 작업을 상태에 환경입니다.

능형 정규화

L₂ 정규화의 동의어입니다. 능형 정규화라는 용어는 순수 통계 환경에서 더 자주 사용되고, L₂ 정규화는 머신러닝에서 더 자주 사용됩니다.

RNN

#seq

RNN(RNN)의 약어입니다.

ROC (수신자 조작 특성) 곡선

#fundamentals

참양성률과 참양성률의 비교 그래프 다양한 거짓양성률 바이너리의 분류 임곗값 있습니다.

ROC 곡선의 모양은 이진 분류 모델이 양성 클래스를 음성 클래스와 구분하는 능력을 나타냅니다. 예를 들어 이진 분류 모델이 모든 음성 클래스를 모든 양성 클래스와 완벽하게 구분한다고 가정해 보겠습니다.

위의 모델의 ROC 곡선은 다음과 같습니다.

반대로 다음 그림은 음성 클래스를 양성 클래스와 전혀 구분할 수 없는 형편없는 모델의 원시 로지스틱 회귀 값을 그래프로 보여줍니다.

이 모델의 ROC 곡선은 다음과 같습니다.

한편 실제 환경에서는 대부분의 이진 분류 모델이 포지티브 클래스와 네거티브 클래스를 어느 정도 구분하지만 일반적으로 완벽하지는 않습니다. 따라서 일반적인 ROC 곡선은 두 극단 사이에 있습니다.

(0.0,1.0)에 가장 가까운 ROC 곡선의 점은 이론적으로 이상적인 분류 기준점을 나타냅니다. 그러나 실질적으로는 몇 가지 다른 문제가 이상적인 분류 임곗값을 선택하는 데 영향을 미칩니다. 예를 들어 아마도 거짓음성은 거짓양성보다 훨씬 더 많은 문제를 야기할 것입니다.

AUC라는 숫자 측정항목은 ROC 곡선을 다음과 같이 요약합니다. 단일 부동 소수점 값입니다.

역할 프롬프팅

#language

#generativeAI

타겟층을 식별하는 프롬프트의 부분(선택사항) (생성형 AI 모델 응답). 역할 없음 대규모 언어 모델이 제공하는 응답에 유용할 수도 있고 아닐 수도 있습니다 질문할 수 있습니다. 역할 프롬프트를 사용하면 질문에 더 적절하고 도움이 되는 방식으로 대답할 수 있는 확인할 수 있습니다 예를 들어 프롬프트는 굵은 글씨로 표시됩니다.

• 경제학 박사 과정을 위한 이 도움말을 요약해 줘.
• 10살짜리에게 조수의 원리를 설명해 줘.
• 2008년 금융 위기를 설명합니다. 어린아이에게 말하듯이 골든 리트리버 등이죠

루트

#df

의사결정 트리의 시작 노드(첫 번째 조건)입니다. 규칙에 따라 다이어그램은 의사 결정 트리의 맨 위에 루트를 배치합니다. 예를 들면 다음과 같습니다.

루트 디렉터리

#TensorFlow

TensorFlow의 하위 디렉터리를 호스팅하기 위해 지정하는 디렉터리 체크포인트 및 이벤트 파일을 생성할 수 있습니다.

평균 제곱근 오차(RMSE)

#fundamentals

평균 제곱 오차의 제곱근입니다.

회전 불변

#image

이미지 분류 문제에서 이미지의 방향이 변경되더라도 이미지를 성공적으로 분류하는 알고리즘의 능력입니다. 예를 들어 알고리즘은 여전히 테니스 라켓이 위로 향하고 있는지, 옆으로 또는 아래로 말이죠 회전 불변이 항상 바람직한 것은 아닙니다. 예를 들어 거꾸로 된 9는 9로 분류되어서는 안 됩니다.

변환 불변성 및 크기 불변성도 참고하세요.

R 제곱

회귀 측정항목은 특정 기간에 발생한 라벨은 개별 특성 또는 특성 세트로 인해 발생합니다. R-제곱은 0과 1 사이의 값으로 다음과 같이 해석할 수 있습니다.

• R-제곱이 0이면 라벨 변이가 특성 세트입니다.
• R 제곱이 1이면 라벨의 모든 변동이 특성 집합으로 인한 것임을 의미합니다.
• 0과 1 사이의 R 제곱은 라벨의 변이는 특정 특성 또는 특성 세트에서 예측할 수 있습니다. 예를 들어 R 제곱이 0.10이면 분산의 10 퍼센트가 R-제곱이 0.20이면 특성 세트로 인해 20%는 특성 세트 등으로 인해 발생합니다.

R 제곱은 모델이 예측한 값과 실측값 간의 피어슨 상관 계수의 제곱입니다.

S

표본 추출 편향

#fairness

표본 선택 편향을 참고하세요.

교체 샘플링

#df

동일한 항목을 여러 번 선택할 수 있는 후보 항목 집합에서 항목을 선택하는 메서드입니다. '교체 포함' 문구 의미 각 선택 후 선택된 항목이 풀로 반환됨 조합할 수 있습니다 반대 방법인 대체 없이 샘플링은 후보 항목을 한 번만 선택할 수 있음을 의미합니다.

예를 들어 다음 과일 세트를 생각해 보세요.

fruit = {kiwi, apple, pear, fig, cherry, lime, mango}

시스템에서 무작위로 fig를 첫 번째 항목으로 선택한다고 가정합니다. 대체 샘플링을 사용하는 경우 시스템은 다음 세트에서 두 번째 항목을 선택합니다.

fruit = {kiwi, apple, pear, fig, cherry, lime, mango}

예, 이전과 동일한 세트이므로 시스템이 잠재적으로 fig를 다시 선택합니다.

대체 없이 샘플링을 사용하는 경우 샘플을 선택할 수 없음 선택할 수 있습니다 예를 들어 시스템에서 무작위로 fig를 첫 번째 샘플을 선택한 후에는 fig을(를) 다시 선택할 수 없습니다. 따라서 시스템은 다음과 같은 (축소된) 집합에서 두 번째 샘플을 선택합니다.

fruit = {kiwi, apple, pear, cherry, lime, mango}

추가 메모를 보려면 아이콘을 클릭하세요.

대체 샘플링의 대체라는 단어는 많은 사람들을 혼란스럽게 합니다. 영어에서 replacement는 '대체'를 의미합니다. 하지만 대체를 사용한 샘플링에서는 실제로 프랑스어 정의를 사용합니다. 대체는 '무언가를 돌려주는 것'을 의미합니다.

영어 단어 replacement는 프랑스어로 번역됩니다. 교체라는 단어로 구성됩니다.

---

저장된 모델

#TensorFlow

TensorFlow 모델 저장 및 복구에 권장되는 형식입니다. SavedModel 언어 중립적이며 복구 가능한 직렬화 형식으로 TensorFlow를 생성, 소비, 혁신하기 위한 상위 수준 시스템 및 도구 모델을 학습시키는 작업도 반복해야 합니다

자세한 내용은 TensorFlow 프로그래머 가이드의 저장 및 복원 챕터를 참고하세요.

알뜰

#TensorFlow

모델 체크포인트 저장을 담당하는 TensorFlow 객체입니다.

스칼라

위상 0의 텐서로 표현할 수 있는 단일 숫자 또는 단일 문자열입니다. 예를 들어 다음 코드 줄은 각각 TensorFlow에서 하나의 스칼라를 만듭니다.

breed = tf.Variable("poodle", tf.string)
temperature = tf.Variable(27, tf.int16)
precision = tf.Variable(0.982375101275, tf.float64)

확장

라벨 또는 특성 값의 범위를 전환하는 수학적 변환 또는 기법 일부 확장 형식은 변환에 매우 유용하며 정규화와 같은 비용을 절감할 수 있습니다

머신러닝에 유용한 일반적인 확장 형태는 다음과 같습니다.

• 선형 배율 조정은 일반적으로 뺄셈과 나누기를 사용하여 원래 값을 -1과 +1 사이의 숫자로 대체합니다. 0과 1 사이로 표시됩니다.
• 대수 배율은 원래 값을 대수입니다.
• Z-점수 정규화: 원래 값을 해당 특성의 평균에서 표준 편차 수를 나타내는 부동 소수점 값으로 대체합니다.

scikit-learn

널리 사용되는 오픈소스 머신러닝 플랫폼입니다. scikit-learn.org를 참고하세요.

점수 매기기

#recsystems

추천 시스템에서 사용자가 는 후보 생성 단계입니다.

표본 선택 편향

#fairness

선택 프로세스로 인해 샘플링된 데이터에서 도출된 결론의 오류 데이터에서 관찰된 샘플 간의 체계적인 차이를 생성합니다. 관찰되지 않은 위협입니다 다음과 같은 형태의 표본 선택 편향이 존재합니다.

• 포함 편향: 데이터 세트에 표시되는 모집단이 머신러닝 모델이 생성하는 모집단과 일치 학습합니다.
• 표본 추출 편향: 데이터가 대상 그룹에서 무작위로 수집되지 않습니다.
• 무응답 편향(응답 참여 편향이라고도 함): 특정 그룹의 사용자가 다른 그룹의 사용자와 다른 비율로 설문조사를 거부합니다.

예를 들어 영화에 대한 사람들의 선호도를 예측하는 머신러닝 모델을 생성한다고 해 봅시다. 학습 데이터를 수집하기 위해 극장의 맨 앞줄에서 영화를 보는 모든 사람에게 설문조사를 나눠줍니다. 언뜻 보기에 이 방법이 데이터 세트를 수집하는 합리적인 방법처럼 보일 수도 있지만, 이러한 형태의 데이터 수집으로 인해 다음과 같은 표본 선택 편향이 발생할 수 있습니다.

• 포함 편향: 영화를 보도록 선택한 모집단에서 표본을 추출했기 때문에 모델 예측이 영화에 대한 관심도를 표현하지 않은 사람들을 일반화할 수 없습니다.
• 표본 추출 편향: 의도한 모집단(영화관의 모든 사람)으로부터 무작위로 표본을 추출하는 대신 맨 앞줄에 있는 사람으로부터만 표본을 추출했습니다. 사람들이 한 자리에 앉아 영화에 관심이 더 많다는 것을 알았는데, 확인할 수 있습니다.
• 무응답 편향: 일반적으로 의견이 강한 사람은 경미한 사람보다 선택 설문조사에 더 자주 응답함 의견을 낼 수 있습니다. 영화 설문조사는 선택사항이므로 응답은 인코더-디코더 아키텍처를 바이모달 분포 더 높습니다.

셀프 어텐션(셀프 어텐션 계층이라고도 함)

#language

일련의 시퀀스를 변환하는 신경망 레이어 임베딩 (예: 토큰 임베딩) 다른 시퀀스로 변환합니다 출력 시퀀스의 각 임베딩은 주의 집중 메커니즘을 통해 입력 시퀀스의 요소에서 정보를 통합하여 구성됩니다.

self-attention의 self 부분은 이해하는 것이 중요합니다. 셀프 어텐션은 Transformer의 빌딩 블록이며 사전 조회를 사용합니다. '검색어', '키', '값'과 같은 용어가 포함됩니다.

셀프 어텐션 레이어는 첫 번째 입력 표현의 시퀀스인 학습합니다. 단어의 입력 표현은 간단한 임베딩일 수 있습니다. 입력 시퀀스의 각 단어에 대해 신경망은 전체 시퀀스에서 모든 요소에 대한 단어의 관련성 점수를 학습합니다. 관련성 점수는 단어의 최종 표현이 다른 단어의 표현을 얼마나 통합하는지를 결정합니다.

예를 들어 다음 문장을 살펴보겠습니다.

동물이 너무 피곤해서 길을 건너지 않았습니다.

다음 그림( Transformer: 언어를 위한 새로운 신경망 아키텍처 이해) 대명사 it에 대한 셀프 어텐션 레이어의 주의 패턴을 보여줍니다. 각 단어가 단어의 의미에 얼마나 기여하는지를 나타내는 각 선의 어두움 나타냅니다.

셀프 어텐션 레이어는 '그것'과 관련된 단어를 강조 표시합니다. 이 어텐션 레이어는 선호하는 데 도움이 될 만한 단어를 동물에 가장 높은 가중치를 할당하는 것을 말합니다.

n개의 토큰 시퀀스에 대해 자체 어텐션은 n번의 임베딩을 시퀀스의 각 위치에서 한 번씩 분할합니다.

주의 및 멀티 헤드 자기 주목도 참고하세요.

자기 지도 학습

라벨이 지정되지 않은 예에서 대리 라벨을 만들어 비지도 머신러닝 문제를 지도 머신러닝 문제로 변환하는 기법의 모음입니다.

BERT와 같은 일부 Transformer 기반 모델은 자기 감독 학습을 사용합니다.

자기 지도 학습은 준지도 학습 접근 방식입니다.

자기 학습

다음 조건이 모두 충족될 때 특히 유용한 자체 감독 학습의 변형입니다.

• 데이터 세트에서 라벨이 없는 예시와 라벨이 지정된 예시의 비율이 높습니다.
• 이것은 분류 문제입니다.

자체 학습은 모델의 개선이 중단될 때까지 다음 두 단계를 반복하여 작동합니다.

1. 지도 머신러닝을 사용하여 라벨이 지정된 예시에서 모델을 학습합니다.
2. 1단계에서 만든 모델을 사용하여 라벨이 없는 예, 신뢰도가 높은 예를 라벨이 있는 예를 예측된 라벨과 비교합니다

2단계를 반복할 때마다 1단계에서 학습할 라벨이 지정된 예시가 추가됩니다.

준지도 학습

일부 학습 예시에는 라벨이 있고 다른 예시에는 라벨이 없는 데이터로 모델을 학습합니다. 준지도 학습의 한 가지 기법은 추론된 라벨을 학습하여 새로운 있습니다. 준지도 학습은 라벨을 획득하는 비용이 많이 들지만 라벨이 없는 예가 풍부한 경우에 유용할 수 있습니다.

자가 학습은 준지도 학습 기법 중 하나입니다. 살펴봤습니다

민감한 속성

#fairness

법적, 윤리적, 사회적 또는 개인적 이유로 특별히 고려될 수 있는 인간적 속성입니다.

감정 분석

#language

통계 또는 머신러닝 알고리즘을 사용하여 서비스, 제품, 조직, 주제 등에 대한 그룹의 전체적인 태도(긍정적 또는 부정적)를 확인합니다. 예를 들어 자연어 이해 텍스트 피드백에 대한 감정 분석을 수행하여 수강할 학생의 학위를 결정하기 위해 전반적으로 좋아하거나 싫어한 과정

시퀀스 모델

#seq

입력에 순차적 종속 항목이 있는 모델입니다. 예를 들면 이전에 시청한 동영상의 순서를 바탕으로 다음에 시청할 동영상을 예측하는 경우입니다.

시퀀스 대 시퀀스 작업

#language

tokens의 입력 시퀀스를 출력으로 변환하는 작업 토큰의 시퀀스입니다. 예를 들어 널리 사용되는 두 가지 종류의 시퀀스 대 시퀀스 작업은 다음과 같습니다.

• 번역자:
  • 샘플 입력 시퀀스: '사랑해'
  • 샘플 출력 시퀀스: 'Je t'aime'
• 질의 응답: <ph type="x-smartling-placeholder">
  </ph>
  • 샘플 입력 시퀀스: '뉴욕시에서 내 차가 필요한가요?'
  • 샘플 출력 시퀀스: "아니요. 차량을 집에 두세요."

서빙

학습된 모델을 만들어 예측을 제공하는 프로세스 온라인 추론 또는 오프라인 추론.

셰이프 (텐서)

텐서의 각 차원에 있는 요소 수입니다. 도형은 정수 목록으로 표시됩니다. 예를 들어 다음 2차원 텐서의 셰이프는 [3,4]입니다.

[[5, 7, 6, 4],
 [2, 9, 4, 8],
 [3, 6, 5, 1]]

TensorFlow는 행 메이저 (C 스타일) 형식을 사용하여 이것이 바로 TensorFlow의 셰이프가 [3,4]인 이유입니다. [4,3]입니다. 즉, 2차원 TensorFlow 텐서에서 [행 수, 열 수]입니다.

정적 셰이프는 컴파일 타임에 알려진 텐서 셰이프입니다.

동적 도형은 컴파일 시 알 수 없으므로 런타임 데이터에 종속됩니다. 이 텐서는 [3, ?]와 같이 TensorFlow에서 자리표시자 크기로 표현될 수 있습니다.

샤드

#TensorFlow

#GoogleCloud

학습 세트 또는 모델의 논리적 구분입니다. 일반적으로 일부 프로세스는 예나 매개변수를 같은 크기의 청크로 분할합니다. 그런 다음 각 샤드가 다른 머신에 할당됩니다.

모델 샤딩을 모델 동시 로드라고 합니다. 이를 데이터 동시 로드라고 합니다.

축소

#df

초매개변수는 컨트롤하는 그라데이션 부스팅 과적합. 경사 부스팅의 수축은 경사하강법의 학습률과 유사합니다. 축소는 십진수입니다. 0.0과 1.0 사이의 값입니다. 값이 작을수록 과적합이 줄어듭니다.

시그모이드 함수

#fundamentals

'스퀴시'하는 수학적 함수 제한된 범위로 제한하고 일반적으로 0~1 또는 -1~+1입니다. 즉, 어떤 숫자(2, 100만, 마이너스 10억 등)를 시그모이드에 전달해도 출력은 여전히 제약된 범위에 있습니다. 시그모이드 활성화 함수의 그래프는 다음과 같습니다.

시그모이드 함수는 머신러닝에서 다음과 같은 여러 용도로 사용됩니다.

• 로지스틱 회귀 또는 다항식 회귀 모델의 원시 출력을 확률로 변환합니다.
• 일부 신경망에서 활성화 함수 역할을 합니다.

아이콘을 클릭하여 계산 결과를 확인하세요.

입력 숫자 x에 대한 시그모이드 함수는 다음과 같은 수식을 갖습니다.

$$ sigmoid(x) = \frac{1}{1 + e^{-\text{x}}} $$

머신러닝에서 x는 일반적으로 가중치 합계입니다.

---

유사도 측정

#clustering

클러스터링 알고리즘에서 얼마나 비슷한지를 비교할 수 있습니다.

단일 프로그램 / 다중 데이터 (SPMD)

다른 입력으로 동일한 계산을 실행하는 동시 로드 기법 데이터를 서로 다른 장치에 병렬로 저장할 수 있습니다. SPMD의 목표는 성과를 얻는 것입니다 더 빠르게 조정할 수 있습니다 병렬 프로그래밍의 가장 일반적인 스타일입니다.

크기 불변

#image

이미지 분류 문제에서 이미지 크기가 변경되더라도 이미지를 성공적으로 분류하는 알고리즘의 능력입니다. 예를 들어 이러한 능력을 갖춘 알고리즘은 고양이가 200만 픽셀을 사용하든 20만 픽셀을 사용하든 간에 고양이를 식별해 낼 수 있습니다. 가장 좋은 방법이라도 이미지 분류 알고리즘은 여전히 크기 불변에 실질적인 제한이 있습니다. 예를 들어, 알고리즘이나 사람이 특정 대상을 정확하게 분류하지 못할 수도 있습니다. 20픽셀만 소비하는 고양이 이미지

병진 불변 및 회전 불변을 참조하세요.

스케치

#clustering

비지도 머신러닝에서 예시를 대상으로 예비 유사성 분석을 수행하는 알고리즘의 카테고리입니다. 스케치 알고리즘은 로컬 구분 해싱 함수를 사용하여 유사할 가능성이 높은 점을 식별한 다음 버킷으로 그룹화합니다.

스케치를 통해 유사성 계산에 필요한 계산 감소 모델 학습에 사용할 수 있습니다 모든 모델에 대해 유사성을 계산하는 대신 두 개의 예가 쌍을 이루면 각 예에 대해서만 유사성을 계산합니다. 각 버킷 안의 점 쌍입니다.

스킵그램

#language

원래 문맥에서 단어를 생략(또는 '건너뛰기')할 수 있는 n-그램으로, 즉 N개의 단어가 원래는 나란히 있지 않았을 수 있습니다. 더보기 정확히 말해 'k-skip-n-gram' 최대 k개의 단어를 가질 수 있는 건너뛰었습니다.

예: '빠른 갈색 여우' 에는 다음과 같은 2-그램이 있습니다.

• "the quick"
• "빠른 갈색"
• "brown fox"

'1-skip-2-gram'은 단어 쌍으로, 그 사이에 단어가 최대 1개 포함됩니다. '빠른 갈색 여우'는 다음과 같은 1-건너뛰기 2-그램이 있습니다.

• "the brown"
• "빠른 여우"

또한 단어를 1개 미만 건너뛸 수 있으므로 모든 2-그램은 1-skip-2-gram도 됩니다.

건너뛰기 그래프는 단어 주변의 맥락을 더 잘 이해하는 데 유용합니다. 이 예에서 'fox'는 1단위 건너뛰기 2그램 세트에서 'quick'과 직접 연결되었지만 2그램 세트에서는 연결되지 않았습니다.

학습에 도움이 되는 건너뛰기-그램 단어 임베딩 모델입니다.

소프트맥스

#fundamentals

다중 클래스 분류 모델에서 가능한 각 클래스의 확률을 결정하는 함수입니다. 확률의 합계는 정확히 1.0입니다. 예를 들어 다음 표는 소프트맥스가 다양한 확률을 분산하는 방식을 보여줍니다.

이미지 유형	확률
개	.85
고양이	0.13
말	0.02

소프트맥스는 전체 소프트맥스라고도 합니다.

후보 샘플링과 대비되는 개념입니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

소프트맥스 방정식은 다음과 같습니다.

$$\sigma_i = \frac{e^{\text{z}_i}} {\sum_{j=1}^{j=K} {e^{\text{z}_j}}} $$

각 항목의 의미는 다음과 같습니다.

• $\sigma_i$ 는 출력 벡터입니다. 출력 벡터의 각 요소는 는 이 요소의 확률을 지정합니다. 모든 요소의 합 출력 벡터는 1.0입니다. 출력 벡터에 동일한 수의 입력 벡터 $z$로 표현됩니다.
• $z$는 입력 벡터입니다. 입력 벡터의 각 요소에는 부동 소수점 값입니다.
• $K$는 입력 벡터(및 출력 벡터)의 요소 수입니다.

예를 들어 입력 벡터가 다음과 같다고 가정해 보겠습니다.

[1.2, 2.5, 1.8]

따라서 softmax는 다음과 같이 분모를 계산합니다.

$$\text{denominator} = e^{1.2} + e^{2.5} + e^{1.8} = 21.552$$

따라서 각 요소의 소프트맥스 확률은 다음과 같습니다.

$$\sigma_1 = \frac{e^{1.2}}{21.552} = 0.154 $$ $$\sigma_2 = \frac{e^{2.5}}{21.552} = 0.565 $$ $$\sigma_1 = \frac{e^{1.8}}{21.552} = 0.281 $$

따라서 출력 벡터는 다음과 같습니다.

$$\sigma = [0.154, 0.565, 0.281]$$

$\sigma$의 세 요소의 합은 1.0입니다. 다양한 혜택이 마음에 드셨나요?

---

조용히 프롬프트 조정

#language

#generativeAI

대규모 언어 모델을 조정하는 기법 리소스를 많이 쓰지 않고도 특정 태스크에 맞게 미세 조정: 모든 머신러닝 프로세스를 모델의 가중치, 소프트 프롬프트 조정 동일한 목표를 달성하기 위해 프롬프트를 자동으로 조정합니다.

텍스트 프롬프트가 주어지면 조용히 프롬프트를 조정하는 것은 일반적으로 프롬프트에 토큰 임베딩을 추가하고 역전 전파를 사용하여 입력을 최적화합니다.

'단단한' 프롬프트에는 토큰 임베딩 대신 실제 토큰이 포함됩니다.

희소 특성

#language

#fundamentals

대부분의 값이 0이거나 비어 있는 특성입니다. 예를 들어 하나의 값 1개와 백만 개의 0 값을 포함하는 특성은 희소. 반면 밀집된 특징은 대부분 0이 아니거나 비어 있지 않은 값을 갖습니다.

머신러닝에서 희소 특성은 놀라울 정도로 많습니다. 범주형 특성은 일반적으로 희소 특성입니다. 예를 들어, 한 숲에서 300종의 수목 중에서 단풍나무만 식별할 수도 있습니다. 또는 동영상 보관함에 있는 수백만 개의 동영상 중 단일 예시가 '카사블랑카'만 식별할 수도 있습니다.

모델에서는 일반적으로 희소 특성을 원-핫 인코딩. 원-핫 인코딩이 큰 경우 효율성을 높이기 위해 원-핫 인코딩 위에 임베딩 레이어를 배치할 수 있습니다.

희소 표현

#language

#fundamentals

희소 지형지물에 0이 아닌 요소의 위치만 저장합니다.

예를 들어 species라는 범주형 특성이 확인할 수 있습니다. 또한 각 예가 단일 종만 식별한다고 가정합니다.

원-핫 벡터를 사용하여 각 예에서 수종을 나타낼 수 있습니다. 원-핫 벡터에는 단일 1( 35개의 0 (해당 예의 특정 수종) 이 예에서는 없는 수종 35종). 즉, 원-핫 표현은 maple의 상태는 다음과 같을 수 있습니다.

또는 희소 표현은 특정 종의 위치만 식별합니다. maple이 위치 24에 있으면 희소 표현입니다. maple의 관계는 다음과 같습니다.

24

희소 표현은 원-핫보다 훨씬 간결하다는 것을 알 수 있습니다. 나타냅니다.

참고: 희소 표현을 모델에 직접적인 특성 입력으로 전달해서는 안 됩니다. 대신 희소 표현을 원-핫 표현을 생성합니다.

아이콘을 클릭하면 약간 더 복잡한 예시를 확인할 수 있습니다.

모델의 각 예는 단어를 나타내야 하지만 이러한 단어의 순서를 영어 문장으로 작성할 수 있습니다 영어는 약 170,000개의 단어로 구성되므로 영어는 약 170,000개의 요소가 있는 카테고리형 특성입니다. 대부분의 영어 문장은 이 170,000개 단어 중 극히 일부만 사용하므로 단일 예시의 단어 집합은 거의 확실히 희소 데이터가 될 것입니다.

다음 문장을 살펴보세요.

My dog is a great dog

원-핫 벡터의 변형을 사용하여 이 단어의 단어를 나타낼 수 있습니다. 볼 수 있습니다 이 변종에서는 벡터의 여러 셀이 0이 아닌 값입니다. 또한 이 변형에서는 셀에 1이 아닌 정수가 포함될 수 있습니다. '나', 'is', 'a', '대단한'이라는 말이 비록 만 표시됨 문장에 '개'라는 단어를 한 번 두 번 나타납니다. 이 변형 사용 원-핫 벡터를 사용하여 이 문장의 단어를 표현하면 170,000개 요소 벡터:

동일한 문장의 희소 표현은 다음과 같습니다.

0: 1
26100: 2
45770: 1
58906: 1
91520: 1

---

혼란스러우면 아이콘을 클릭하세요.

'희소 표현'이라는 용어 많은 사람들을 혼란스럽게 합니다. 표현 자체는 희소 벡터가 아닙니다. 오히려 희소 표현은 실제로 희소 벡터의 밀집 표현입니다. 색인 표현이라는 동의어는 '희소 표현'보다 조금 더 명확합니다.

---

희소 벡터

#fundamentals

값이 대부분 0인 벡터입니다. 희소 특성 및 희소성도 참고하세요.

희소성

벡터 또는 행렬에서 0(또는 null)으로 설정된 요소 수를 해당 벡터 또는 행렬의 총 항목 수로 나눈 값입니다. 예를 들어 98개의 셀이 0을 포함하는 100-요소 행렬을 가정해 보겠습니다. 희소성 계산은 다음과 같습니다.

$$ {\text{sparsity}} = \frac{\text{98}} {\text{100}} = {\text{0.98}} $$

특성 희소성은 특성 벡터의 희소성을 의미합니다. 모델 희소성은 모델 가중치의 희소성을 의미합니다.

공간 풀링

#image

풀링을 참조하세요.

분할

#df

결정 트리에서 조건의 다른 이름입니다.

splitter

#df

결정 트리를 학습하는 동안 각 노드에서 최적의 조건을 찾는 루틴(및 알고리즘)입니다.

SPMD

단일 프로그램/여러 데이터의 약어입니다.

제곱 힌지 손실

힌지 손실의 제곱입니다. 제곱 힌지 손실이 페널티를 줌 더 심하게 이상치를 발생시킵니다.

제곱 손실

#fundamentals

L₂ 손실의 동의어입니다.

단계적 학습

#language

불연속 단계의 시퀀스로 모델을 학습시키는 전략입니다. 목표는 학습 프로세스 속도를 높이거나 모델 품질을 향상할 수 있습니다.

점진적 쌓기 접근 방식을 보여주는 그림은 다음과 같습니다.

• 1단계에는 숨겨진 레이어가 3개, 2단계에는 숨겨진 레이어가 6개, 3단계에는 숨겨진 레이어가 12개 있습니다.
• 2단계에서는 1단계의 3개 숨겨진 레이어에서 학습된 가중치로 학습을 시작합니다. 3단계에서는 6단계에서 학습한 가중치로 학습을 시작합니다. 2단계의 히든 레이어로 구성됩니다.

파이프라이닝도 참고하세요.

주

#rl

강화 학습에서 환경의 현재 구성을 나타내는 매개변수 값으로, 에이전트가 작업을 선택하는 데 사용합니다.

상태-액션 값 함수

#rl

Q 함수의 동의어입니다.

정적

#fundamentals

연속적으로 이루어지는 것이 아니라 한 번만 이루어지는 작업 용어 정적과 오프라인은 동의어입니다. 다음은 머신에서 정적 및 오프라인의 일반적인 용도입니다. 학습:

• 정적 모델 (또는 오프라인 모델)은 한 번 학습된 모델입니다. 한동안 사용되었습니다.
• 정적 학습 (또는 오프라인 학습)은 정적 모델입니다.
• 정적 추론(또는 오프라인 추론)은 모델이 한 번에 일괄 예측을 생성하는 프로세스입니다.

동적과 대비되는 개념입니다.

정적 추론

#fundamentals

오프라인 추론의 동의어입니다.

정상성

#fundamentals

하나 이상의 측정기준(일반적으로 시간)에서 값이 변경되지 않는 지형지물입니다. 예를 들어 2021년에 값이 거의 같은 특성과 2023년 전시관이 정상성입니다.

실제로 정상성을 나타내는 기능은 거의 없습니다. 짝수 지형지물 시간의 경과에 따른 안정성 (해수면 등) 변화와 동의어입니다.

비고정성과 대비되는 개념입니다.

단계

배치 하나의 정방향 전달 및 역방향 전달입니다.

자세한 내용은 역전파를 참고하세요. 정방향 전달과 역방향 전달에서 사용됩니다.

보폭

학습률의 동의어입니다.

확률적 경사하강법 (SGD)

#fundamentals

배치 크기가 1인 경사하강법 알고리즘입니다. 즉, SGD는 학습 세트에서 무작위로 균일하게 선택한 하나의 예를 사용하여 학습합니다.

보폭

#image

컨볼루셔널 연산 또는 풀링에서 각 차원의 델타는 입력 슬라이스의 한 유형입니다. 예를 들어 다음 애니메이션은 컨볼루션 연산 중에 (1,1) 스트라이드를 보여줍니다. 따라서 다음 입력 슬라이스는 이전 입력 슬라이스의 오른쪽 1개 위치에서 시작됩니다. 연산이 오른쪽 가장자리에 도달하면 다음 슬라이스가 한 포지션 아래로 이동하도록 해 보겠습니다.

위의 예는 2차원 스트라이드를 보여줍니다. 입력 값이 행렬은 3차원이라면 스트라이드도 3차원이 됩니다.

구조적 위험 최소화 (SRM)

두 가지 목표의 균형을 맞추는 알고리즘:

• 예측 가능성이 가장 높은 모델을 빌드해야 할 필요성 (예: 손실 최소화).
• 모델을 최대한 단순하게 유지해야 합니다(예: 강력한 정규화).

예를 들어, 데이터 포인트에서 손실을 최소화하고 정규화를 구조적 위험 최소화 알고리즘입니다.

경험적 위험 최소화와 대비되는 개념입니다.

서브 샘플링

#image

풀링을 참고하세요.

하위 단어 토큰

#language

언어 모델에서 단어의 하위 문자열인 토큰으로, 전체 단어일 수도 있습니다.

예를 들어 '항목별로 나열'과 같은 단어는 '항목'(기본 단어)과 '별로 나열'(접미사)로 나눌 수 있으며, 각각은 자체 토큰으로 표현됩니다. 일반적이지 않은 단어를 하위 단어라고 하는 이러한 조각으로 나누면 단어의 보다 일반적인 구성 부분에서 작동하기 위해 접두사 및 접미어를 예로 들 수 있습니다

반대로 '가는'와 같은 일반적인 단어는 분할되지 않을 수도 있고 단일 토큰으로 표현됩니다.

요약

#TensorFlow

TensorFlow에서는 특정 단계에 계산된 값 또는 값 집합을 의미하며, 일반적으로 학습 중에 모델 측정항목을 추적하는 데 사용됩니다.

지도 머신러닝

#fundamentals

특성과 특성에서 모델을 학습시킵니다. 해당하는 라벨입니다. 지도 머신러닝은 일련의 질문과 이에 상응하는 답변을 연구하여 특정 과목을 학습하는 것과 유사합니다. 질문과 답변 간의 매핑을 마스터한 후에는 학생이 동일한 주제에 관한 새로운(이전에 본 적이 없는) 질문에 답변할 수 있습니다.

비교 대상 비지도 머신러닝입니다.

합성 특성

#fundamentals

입력 특성 중에는 없지만 하나 이상의 입력 특성으로부터 조합된 특성입니다. 합성 특성을 만드는 메서드 다음이 포함됩니다.

• 연속 특성을 범위 빈으로 버케팅합니다.
• 특성 교차를 생성합니다.
• 하나의 특성 값에 다른 특성 값을 곱하거나 나누기 또는 자체로 수행됩니다. 예를 들어 a 및 b가 입력 특성인 경우 다음은 합성 특성의 예입니다.
  • ab
  • a²
• 지형지물 값에 초월 함수를 적용합니다. 예를 들어 c가 입력 특성이면 다음은 합성 특성의 예입니다.
  • sin(c)
  • ln(c)

정규화 또는 확장을 통해 생성된 특성 합성 특성으로 간주되지 않습니다.

T

T5

#language

텍스트 간 전이 학습 모델 도입 2020년 Google AI. T5는 인코더-디코더-디코더 모델로, 초대형 대규모 데이터 세트에서 학습된 Transformer 아키텍처 데이터 세트로 그룹화됩니다. 텍스트 생성, 언어 번역, 대화 방식으로 질문에 답변하는 등 다양한 자연어 처리 태스크에 효과적입니다.

T5는 '텍스트 간 전송 Transformer'의 5가지 T에서 이름을 따왔습니다.

T5X

#language

이를 위해 설계된 머신러닝 오픈소스 프레임워크 대규모 자연어 처리를 빌드하고 학습하는 데 모델을 학습시키는 작업도 반복해야 합니다 T5는 T5X 코드베이스( JAX 및 Flax에서 빌드됩니다.

테이블 형식 Q-러닝

#rl

강화 학습에서 테이블을 사용하여 상태와 작업의 모든 조합에 대한 Q 함수를 저장하여 Q 학습을 구현합니다.

target

라벨의 동의어입니다.

타겟 네트워크

#rl

딥 Q-학습에서 기본 신경망의 안정적인 근사치인 신경망으로, 기본 신경망은 Q-함수 또는 정책을 구현합니다. 그런 다음 타겟이 예측한 Q-값으로 메인 네트워크를 학습시킬 수 있습니다. 네트워크에 속합니다. 따라서 기본 스레드가 실행될 때 발생하는 피드백 루프를 학습한다는 것입니다. 이러한 피드백을 방지하면 학습 안정성이 향상됩니다.

태스크

다음과 같은 머신러닝 기법을 사용하여 해결할 수 있는 문제입니다.

• 분류
• 회귀
• 클러스터링
• 이상 감지

기온

#language

#image

#generativeAI

무작위성의 수준을 제어하는 초매개변수 출력됩니다. 온도가 높을수록 출력이 더 무작위이고 온도가 낮을수록 무작위 출력이 줄어듭니다.

최적의 온도를 선택하는 것은 특정 용도와 사용 방법에 따라 선호되는 속성을 정의합니다. 예를 들어 창의적인 결과물을 생성하는 애플리케이션을 만들 때는 온도를 높일 수 있습니다. 반대로 온도가 낮아지면 성능을 개선하기 위해 이미지나 텍스트를 분류하는 모델을 빌드할 때 모델의 정확성과 일관성이 유지되어야 합니다.

온도는 소프트맥스와 함께 자주 사용됩니다.

시간적 데이터

서로 다른 시점에 기록된 데이터입니다. 예: 겨울 코트 판매 시간 데이터일 것입니다.

텐서

#TensorFlow

TensorFlow 프로그램의 기본 데이터 구조입니다. 텐서는 N차원(N이 매우 클 수 있음) 데이터 구조로, 일반적으로 스칼라, 벡터 또는 행렬입니다. 텐서의 요소는 정수, 부동 소수점, 또는 문자열 값일 수 있습니다.

텐서보드

#TensorFlow

하나 이상의 더 많은 TensorFlow 프로그램을 사용할 수 있습니다.

TensorFlow

#TensorFlow

대규모 분산형 머신러닝 플랫폼입니다. 이 용어는 데이터 흐름 그래프에서 일반적인 계산을 지원하는 TensorFlow 스택의 기본 API 레이어를 가리키기도 합니다.

TensorFlow는 주로 머신러닝에 사용되지만 다음을 사용하여 수치 연산이 필요한 비ML 작업용 TensorFlow 데이터 흐름 그래프입니다

TensorFlow Playground

#TensorFlow

다양한 초매개변수가 모델(주로 신경망) 학습에 주는 영향을 시각적으로 보여주는 프로그램입니다. 이동 <ph type="x-smartling-placeholder"></ph> http://playground.tensorflow.org TensorFlow Playground를 실험해 보세요.

TensorFlow Serving

#TensorFlow

학습된 모델을 프로덕션 환경에 배포하는 플랫폼입니다.

Tensor Processing Unit(TPU)

#TensorFlow

#GoogleCloud

애플리케이션 전용 집적회로 (Application-Specific Integrated Circuit)는 머신러닝 워크로드 성능을 최적화할 수 있습니다 이러한 ASIC는 TPU 기기에 여러 개의 TPU 칩으로 배포됩니다.

텐서 차수

#TensorFlow

순위(텐서)를 참고하세요.

텐서 모양

#TensorFlow

다양한 차원에서 Tensor에 포함된 요소의 수입니다. 예를 들어 [5, 10] 텐서의 형태는 1차원이 5이고 도형이 10입니다. 사용할 수 있습니다.

텐서 크기

#TensorFlow

Tensor가 포함하는 스칼라의 총 개수입니다. 예를 들어 [5, 10] 텐서의 크기는 50입니다.

TensorStore

Google Cloud는 효율적인 읽기와 분석을 위한 라이브러리 큰 다차원 배열을 쓰는 데 도움이 되셨기를 바랍니다

종료 조건

#rl

강화 학습에서 에피소드가 종료되는 시점을 결정하는 조건입니다(예: 상담사가 특정 상태에 도달하거나 상태 전환 기준 수를 초과하는 경우). 예를 들어 tic-tac-toe에서 놈(nought)과 교차(noughts), 교차(crosses)). 플레이어가 세 개의 공백 또는 모든 공백이 표시되어 있을 때 발생합니다.

테스트

#df

결정 트리에서 조건의 다른 이름입니다.

테스트 손실

#fundamentals

테스트 세트에 대한 모델의 손실을 나타내는 측정항목입니다. 모델을 빌드할 때는 일반적으로 테스트 손실을 최소화하려고 합니다. 낮은 테스트 손실은 낮은 학습 손실보다 더 강한 품질 신호 또는 낮은 유효성 검사 손실입니다.

경우에 따라 테스트 손실과 학습 손실 또는 검증 손실 사이에 큰 격차가 있음 더 낮은 타겟 CPM의 값을 정규화율.

테스트 세트

학습된 모델을 테스트하기 위해 예약된 데이터 세트의 하위 집합입니다.

일반적으로 데이터 세트의 예시를 다음 세 가지 하위 집합으로 나눕니다.

• 학습 세트
• 검증 세트
• 테스트 세트

데이터 세트의 각 예는 앞의 하위 집합 중 하나에만 속해야 합니다. 예를 들어, 하나의 예시가 학습 세트와 학습 세트에 모두 속해서는 안 됩니다. 테스트 세트에 적용할 수 있습니다.

학습 세트와 검증 세트는 모두 모델 학습과 밀접하게 연결되어 있습니다. 테스트 세트는 학습과 간접적으로만 연결되기 때문에 테스트 손실은 다른 테스트 손실보다 학습 손실 또는 검증 손실입니다.

텍스트 범위

#language

텍스트 문자열의 특정 하위 섹션과 연결된 배열 색인 범위입니다. 예를 들어 Python 문자열 s="Be good now"의 good라는 단어는 3~6 사이의 텍스트 범위를 차지합니다.

tf.Example

#TensorFlow

머신러닝 모델 학습 또는 추론을 위한 입력 데이터를 설명하는 표준 프로토콜 버퍼입니다.

tf.keras

#TensorFlow

Google Cloud Platform에 통합된 Keras의 TensorFlow

임곗값(결정 트리용)

#df

축 정렬 조건에서 지형지물이 비교되는 값입니다. 예를 들어 75는 다음 조건에서 임계값에 도달할 수 있습니다.

grade >= 75

이 형식의 임곗값은 분류 임곗값과 다릅니다.

시계열 분석

#clustering

머신러닝 및 통계 분야의 하위 분야는 시간적 데이터. 많은 유형의 머신러닝 문제에는 분류, 클러스터링, 예측, 이상 감지 등 시계열 분석이 필요합니다. 예를 들어 월간 겨울 코트의 향후 판매를 예측하는 시계열 분석 이전 판매 데이터에 기반합니다.

타임스텝

#seq

'언롤된' 항목 1개 한 셀 안에 순환 신경망(RNN)입니다. 예를 들어 다음 그림은 세 개의 타임스텝(하위 표시자 t-1, t, t+1로 라벨이 지정됨)을 보여줍니다.

토큰

#language

언어 모델에서 모델이 학습하고 예측을 수행하는 원자 단위입니다. 토큰은 일반적으로 있습니다.

• 단어: 예를 들어 '개는 고양이를 좋아합니다'라는 문구는 '개', '좋아합니다', '고양이'라는 세 단어 토큰으로 구성됩니다.
• 문자: 예를 들어 '자전거 물고기'라는 문구는 9개의 문자 토큰으로 구성됩니다. 공백은 토큰 중 하나로 계산됩니다.
• 하위 단어: 단일 단어가 단일 토큰 또는 여러 토큰이 될 수 있습니다. 하위 단어는 기본 단어, 접두사 또는 접미사로 구성됩니다. 예를 들어 하위 단어를 토큰으로 사용하는 언어 모델은 'dogs'라는 단어를 두 개의 토큰(기본 단어 'dog' 및 복수형 접미사 's')으로 볼 수 있습니다. 동일한 언어 모델은 단일 단어인 'taller'를 두 개의 하위 단어(기본 단어인 'tall'과 접미사인 'er')로 볼 수 있습니다.

언어 모델 외부의 도메인에서 토큰은 다른 종류의 원자 단위를 나타낼 수 있습니다. 예를 들어 컴퓨터 비전에서 토큰은 예로 들 수 있습니다

탑

심층신경망의 구성요소로, 그 자체가 심층신경망입니다. 경우에 따라 각 탑은 타워가 완전히 독립되어 있고, 출력은 최종 레이어에서 결합됩니다. 다른 경우에는(예: 여러 변환기의 인코더 및 디코더 타워) 타워가 서로 교차 연결됩니다.

TPU

#TensorFlow

#GoogleCloud

Tensor Processing Unit의 약어입니다.

TPU 칩

#TensorFlow

#GoogleCloud

머신러닝 워크로드에 최적화된 온칩 고대역폭 메모리가 있는 프로그래밍 가능한 선형 대수 액셀러레이터입니다. 여러 TPU 칩이 TPU 기기에 배포됩니다.

TPU 기기

#TensorFlow

#GoogleCloud

TPU 칩이 여러 개 포함된 인쇄 회로 기판 (PCB) 높은 대역폭 네트워크 인터페이스 및 시스템 냉각 하드웨어가 포함됩니다.

TPU 마스터

#TensorFlow

#GoogleCloud

데이터, 결과, 프로그램, 성능, 시스템 상태 정보를 TPU 워커로 전송하고 수신하는 호스트 머신에서 실행되는 중앙 조정 프로세스입니다. 또한 TPU 마스터는 및 TPU 기기 종료.

TPU 노드

#TensorFlow

#GoogleCloud

Google Cloud의 TPU 리소스이며 TPU 유형. TPU 노드는 VPC 네트워크 피어 VPC 네트워크. TPU 노드는 Cloud TPU API

TPU Pod

#TensorFlow

#GoogleCloud

Google 데이터 센터의 TPU 기기의 특정 구성입니다. TPU Pod의 모든 기기는 전용 고속 네트워크를 통해 서로 연결됩니다. TPU Pod는 특정 TPU 버전에서 사용할 수 있는 가장 큰 규모의 TPU 기기 구성입니다.

TPU 리소스

#TensorFlow

#GoogleCloud

사용자가 만들거나 관리하거나 사용하는 Google Cloud의 TPU 항목입니다. 예를 들어 TPU 노드 및 TPU 유형은 TPU 리소스입니다.

TPU 슬라이스

#TensorFlow

#GoogleCloud

TPU 슬라이스는 TPU Pod의 TPU 기기 중 일부입니다. TPU 슬라이스의 모든 기기가 연결됨 전용 고속 네트워크를 통해 서로 통신합니다

TPU 유형

#TensorFlow

#GoogleCloud

하나 이상의 TPU 기기 구성 TPU 하드웨어 버전입니다. Google Cloud에서 TPU 노드를 만들 때 TPU 유형을 선택합니다. 예를 들어 v2-8 TPU 유형은 코어가 8개인 단일 TPU v2 기기입니다. v3-2048 TPU 유형에는 네트워크 연결된 TPU v3 기기 256대와 총 2,048개의 코어가 있습니다. TPU 유형은 Cloud TPU API에 정의된 리소스입니다.

TPU 워커

#TensorFlow

#GoogleCloud

호스트 머신에서 실행되고 TPU 기기에서 머신러닝 프로그램을 실행하는 프로세스입니다.

학습

#fundamentals

모델을 구성하는 이상적인 매개변수(가중치 및 편향)를 결정하는 과정입니다. 학습 중에 시스템은 예시를 읽고 점진적으로 매개변수를 조정합니다. 학습에서는 몇 번에서 수십억 회까지 다양한 사례를 볼 수 있습니다.

학습 손실

#fundamentals

특정 학습 반복 중에 모델의 손실을 나타내는 측정항목입니다. 예를 들어 손실 함수가 평균 제곱 오차라고 가정해 보겠습니다. 10번째 반복의 학습 손실(평균 제곱 오차)이 2.2이고 100번째 반복의 학습 손실이 1.9일 수 있습니다.

손실 곡선은 손실과 학습 손실의 수를 비교하여 표시합니다. 있습니다. 손실 곡선은 학습에 관한 다음과 같은 힌트를 제공합니다.

• 하향 경사는 모델이 개선되고 있음을 의미합니다.
• 오르막은 모델이 점점 나빠지고 있음을 의미합니다.
• 완만한 경사는 모델이 수렴에 도달했음을 의미합니다.

예를 들어 다음과 같이 다소 이상화된 손실 곡선은 표시:

• 초기 반복 중에 급격한 하향 경사가 나타나면 모델이 빠르게 개선되고 있음을 의미합니다.
• 끝부분에 가까워질 때까지 점진적으로 평탄해지는 (그러나 계속 하향) 경사 이는 모델이 100%의 학습률로 계속 개선되고 있음을 의미합니다. 속도가 느리다는 것을 의미합니다
• 학습이 끝날 때 수렴을 나타내는 평평한 경사

학습 손실도 중요하지만 일반화도 참고하세요.

학습-제공 편향

#fundamentals

학습 중의 모델 성능과 제공 중의 동일한 모델 성능의 차이입니다.

학습 세트

#fundamentals

모델을 학습시키는 데 사용되는 데이터 세트의 하위 집합입니다.

일반적으로 데이터 세트의 예시는 다음 세 가지 하위 집합으로 나뉩니다.

• 학습 세트
• 검증 세트
• 테스트 세트

이상적으로 데이터 세트의 각 예는 다음 중 하나에만 속해야 합니다. 선행 하위 집합을 학습합니다. 예를 들어, 하나의 예가 학습 세트와 검증 세트에 모두 적용할 수 있습니다.

궤적

#rl

강화 학습에서 에이전트의 상태 전환 시퀀스를 나타내는 튜플 시퀀스입니다. 여기서 각 튜플은 상태, 작업, 보상, 특정 상태 전환의 다음 상태에 해당합니다.

전이 학습

한 머신러닝 작업에서 다른 작업으로 정보를 전송합니다. 예를 들어 멀티태스크 학습에서는 단일 모델이 여러 태스크를 해결하지만 (예: 심층 모델)은 모델에 대한 여러 출력 노드를 실행할 수 있습니다 전이 학습에는 더 간단한 작업의 솔루션에서 더 복잡한 작업으로 지식을 전송하거나 데이터가 더 많은 작업에서 데이터가 더 적은 작업으로 지식을 전송하는 것이 포함될 수 있습니다.

대부분의 머신러닝 시스템은 단일 작업을 해결합니다. 전이 학습은 하나의 프로그램으로 해결할 수 있는 문제를 여러 태스크가 가능합니다.

Transformer

#language

Google에서 개발한 신경망 아키텍처로, 자기 주목 메커니즘을 사용하여 컨볼루션 또는 회귀 신경망에 의존하지 않고 입력 임베딩의 시퀀스를 출력 임베딩의 시퀀스로 변환합니다. Transformer는 셀프 어텐션 계층의 스택으로 볼 수 있습니다

Transformer에는 다음 중 하나가 포함될 수 있습니다.

• 인코더
• 디코더
• 인코더와 디코더 모두

인코더는 임베딩 시퀀스를 새로운 시퀀스로 변환합니다. 같은 길이여야 합니다. 인코더는 각각 두 개의 하위 레이어를 포함하는 동일한 레이어 N개를 포함합니다. 이 두 개의 하위 레이어가 입력의 각 위치에 적용됩니다. 임베딩 시퀀스를 사용해 시퀀스의 각 요소를 새로운 있습니다. 첫 번째 인코더 하위 레이어는 입력 시퀀스 전체에서 정보를 집계합니다. 두 번째 인코더 하위 레이어는 출력 임베딩으로 변환할 수 있습니다.

디코더는 입력 임베딩 시퀀스를 시퀀스의 시퀀스로 변환합니다. 출력 임베딩에 대해 학습합니다. 디코더에는 세 개의 하위 레이어가 있는 동일한 레이어 N개도 포함되며, 이 중 두 개는 인코더 하위 레이어와 유사합니다. 세 번째 디코더 하위 레이어는 인코더를 빌드하고 셀프 어텐션 메커니즘을 거기서 정보를 수집할 수 있습니다.

블로그 게시물 Transformer: 언어를 위한 새로운 신경망 아키텍처 이해 Transformer를 소개하겠습니다

병진 불변

#image

이미지 분류 문제에서 이미지 내 객체의 위치가 변경되더라도 이미지를 성공적으로 분류하는 알고리즘의 능력입니다. 예를 들어 이러한 능력을 갖춘 알고리즘은 강아지가 프레임의 중앙에 있든 왼쪽 끝에 있든 간에 강아지를 식별해 낼 수 있습니다.

크기 불변 및 회전 불변도 참고하세요.

트라이그램

#seq

#language

N=3인 N-그램입니다.

참음성(TN)

#fundamentals

모델이 올바르게 예측한 네거티브 클래스에 속합니다. 예를 들어 모델은 특정 이메일 메시지가 스팸이 아니며 해당 이메일 메시지가 실제로 스팸인 경우 스팸 아님.

참양성(TP)

#fundamentals

모델이 올바르게 예측한 포지티브 클래스 예를 들어 모델은 특정 이메일 메시지가 스팸이고 해당 이메일 메시지가 실제로 스팸입니다.

참양성률 (TPR)

#fundamentals

재현율의 동의어입니다. 이는 다음과 같은 의미입니다.

$$\text{true positive rate} = \frac{\text{true positives}} {\text{true positives} + \text{false negatives}}$$

참양성률은 ROC 곡선의 y축입니다.

U

민감한 속성에 대한 인식 부족

#fairness

민감한 속성은 학습 데이터에는 포함되지 않습니다. 민감한 속성은 데이터의 다른 속성과 상관관계가 있는 경우가 많으므로 민감한 속성에 대한 인식 없이 학습된 모델은 여전히 해당 속성에 대해 차별적인 영향을 미치거나 다른 공정성 제약조건을 위반할 수 있습니다.

과소적합

#fundamentals

모델이 학습 데이터의 복잡성을 완전히 포착하지 못하여 예측 능력이 떨어지는 모델을 생성하는 경우입니다. 다음과 같은 여러 문제로 인해 과소적합이 발생할 수 있습니다.

• 잘못된 특성 세트 학습
• 너무 적은 에포크 또는 너무 낮은 학습률로 학습
• 너무 높은 정규화율을 사용한 학습
• 단일 리전에 히든 레이어를 너무 적게 제공하면 심층신경망입니다.

언더샘플링

더 균형 잡힌 학습 세트를 만들기 위해 클래스 불균형 데이터 세트의 다수 클래스에서 예시를 삭제합니다.

예를 들어 대다수 클래스 대비 대다수 클래스의 비율이 다수 범주는 20:1입니다. 이 학급을 극복하기 위해 불균형이 있으면 소수를 모두 포함하는 학습 세트를 만들 수 있습니다. 클래스 예제이지만 대부분의 클래스 예제 중 10분의 1에 불과하므로 2:1의 학습 세트 클래스 비율을 생성해야 합니다 언더샘플링 덕분에 이 정도는 더 나은 모델을 생성할 수 있습니다 또는 균형 잡힌 학습 세트에는 효과적인 모델을 학습하기에 충분하지 않은 예시가 포함되어 있을 수 있습니다.

오버샘플링과 대비되는 개념입니다.

단방향

#language

대상 텍스트 섹션의 앞에 있는 텍스트만 평가하는 시스템입니다. 반면에 양방향 시스템은 대상 텍스트 섹션의 앞에 있는 텍스트와 뒤에 있는 텍스트를 모두 평가합니다. 자세한 내용은 양방향을 참고하세요.

단방향 언어 모델

#language

타겟 토큰 뒤가 아닌 앞에 표시되는 토큰에만 확률을 기반으로 하는 언어 모델입니다. 양방향 언어 모델과 대비되는 개념입니다.

라벨이 없는 예

#fundamentals

지형지물은 있지만 라벨이 없는 예시입니다. 예를 들어 다음 표에는 라벨이 지정되지 않은 주택의 세 가지 예시가 나와 있습니다. 3가지 특징이 있지만 주택 가치는 없음:

침실 수	욕실 수	주택 연식
3	2	15
2	1	72
4	2	34

지도 머신러닝에서는 모델이 라벨이 지정된 예시를 학습하고 라벨이 지정되지 않은 예시를 예측합니다.

준지도 및 비지도 학습 라벨이 없는 예가 학습에 사용됩니다.

라벨이 없는 예시와 라벨이 있는 예시를 비교해 보세요.

비지도 머신러닝

#clustering

#fundamentals

일반적으로 라벨이 없는 데이터 세트에서 패턴을 찾도록 모델을 학습시킵니다.

비지도 머신러닝의 가장 일반적인 용도는 데이터를 서로 비슷한 예의 그룹으로 클러스터링하는 것입니다. 예를 들어 비지도 머신러닝 알고리즘은 음악의 다양한 속성을 기반으로 노래를 클러스터링할 수 있습니다. 결과 클러스터는 다른 머신에 대한 입력이 될 수 있음 음악 추천 서비스 등을 예로 들 수 있습니다. 클러스터링은 유용한 라벨이 없거나 없을 때 도움이 될 수 있습니다. 예를 들어 악용 및 사기 행위 방지와 같은 분야에서 클러스터는 사람이 데이터를 이해하는 데 도움을 줄 수 있습니다.

지도 머신러닝과 대비되는 개념입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

비지도 머신러닝의 또 다른 예는 주성분 분석 (PCA) 예를 들어 데이터 세트에 적용할 수 있는 수백만 개의 장바구니의 내용을 레몬이 들어 있는 장바구니에 제산제가 함유되어 있는 경우가 많다는 사실입니다.

---

상승 모델링

마케팅에서 일반적으로 사용되는 모델링 기법은 '인과적 효과' '증분 효과'라고도 하며 '처리' '개인' 카테고리입니다. 다음은 두 가지 예입니다.

• 의사는 증가 모델링을 사용하여 사망률 감소를 예측할 수 있음 (인과적 영향)을 의미하지는 않습니다. 환자 (개인)의 연령 및 의료 기록
• 마케팅 담당자는 증가 모델링을 사용하여 광고로 인한 구매 확률 (인과적 영향) 치료).

상승 폭 모델링은 분류와는 다릅니다. 회귀로 분류하여 증가 모델링에서 항상 누락되는 경우가 많습니다. 예를 들어 환자는 치료를 받거나 받지 않을 수 있습니다. 따라서 이러한 두 상황 중 하나에서만 환자가 치유될지 여부를 관찰할 수 있으며 둘 다 관찰할 수는 없습니다. 증가 모델의 주요 이점은 예측을 생성할 수 있다는 것입니다. 이를 반사실적 조건으로 변환하고 이를 사용하여 인과 효과를 나타냅니다.

가중치 보정

다운샘플링된 클래스에 가중치를 적용하면 다운샘플링한 배율로 변경합니다.

사용자 행렬

#recsystems

추천 시스템에서 행렬 분해에 의해 생성되고 사용자 선호에 관한 잠재 신호를 보유하는 임베딩 벡터입니다. 사용자 행렬의 각 행에는 단일 사용자에 대한 여러 잠재적 신호의 상대적 강도에 관한 정보가 포함되어 있습니다. 예를 들어 영화 추천 시스템을 살펴보겠습니다. 이 시스템에서는 사용자 매트릭스의 잠재 신호가 각 사용자의 관심사를 나타낼 수 있습니다. 특정 장르의 특정 장르에 불과할 수 있으며, 복잡한 상호작용을 수행할 수 있습니다

사용자 행렬에는 각 잠재 특성에 대한 열과 각 사용자에 대한 행이 있습니다. 즉, 사용자 행렬의 행 수는 타겟의 행과 동일합니다. 인수 분해되는 행렬입니다. 예를 들어 1,000,000명의 사용자를 위한 영화 추천 시스템의 경우 사용자 행렬은 1,000,000개의 행을 포함합니다.

V

validation

#fundamentals

모델 품질에 대한 초기 평가입니다. 검증은 검증 세트를 기준으로 모델의 예측 품질을 확인합니다.

검증 세트는 학습 세트와 다르므로 검증을 통해 과적합을 방지할 수 있습니다.

검증세트를 기준으로 모델을 평가하는 것은 1차 테스트 및 6개월 예측을 통해 테스트 세트를 두 번째 테스트로 사용합니다.

검증 손실

#fundamentals

모델의 손실을 나타내는 측정항목 특정 기간에 검증 세트를 학습의 반복

일반화 곡선도 참고하세요.

검증 세트

#fundamentals

초기 데이터 세트를 수행하는 dataset의 하위 집합 학습된 모델을 기준으로 평가합니다. 일반적으로 학습된 모델을 여러 검증 세트와 비교하여 테스트 세트를 기준으로 모델을 평가합니다.

일반적으로 데이터 세트의 예시를 다음 세 가지 하위 집합으로 나눕니다.

• 학습 세트
• 검증 세트
• 테스트 세트

이상적으로 데이터 세트의 각 예는 다음 중 하나에만 속해야 합니다. 선행 하위 집합을 학습합니다. 예를 들어, 하나의 예가 학습 세트와 검증 세트에 모두 적용할 수 있습니다.

값 대입

누락된 값을 허용되는 대체 값으로 바꾸는 과정입니다. 값이 누락된 경우 전체 예시를 삭제하거나 값 보간을 사용하여 예시를 복구할 수 있습니다.

예를 들어 다음과 같은 temperature 특성이 포함된 데이터 세트를 가정해 보겠습니다. 매시간 녹화되어야 합니다. 하지만 온도 측정치는 특정 시간에 사용할 수 없습니다. 다음은 데이터 세트의 일부입니다.

타임스탬프	온도
1680561000	10
1680564600	12
1680568200	결측치
1680571800	20
1680575400	21
1680579000	21

시스템은 누락된 예시를 삭제하거나, 대입 알고리즘에 따라 누락된 온도를 12, 16, 18 또는 20으로 대입할 수 있습니다.

경사 소멸 문제

#seq

초기 히든 레이어의 경사 경향 몇 가지 심층신경망을 매우 평평합니다 (낮음). 경사가 점점 낮아질수록 심층신경망의 노드에서 가중치를 조금만 변경하면 학습이 전혀 또는 거의 없다는 것입니다 경사 소멸 문제가 있는 모델은 학습하기가 어렵거나 불가능해집니다. 장기 단기 메모리 셀에서 이 문제를 해결합니다.

폭발적인 기울기 문제와 비교해 보세요.

변수 중요도

#df

모델에 대한 각 특성의 상대적 중요도를 나타내는 점수 집합입니다.

예를 들어 주택 가격을 추정하는 결정 트리를 생각해 보겠습니다. 이 결정 트리에서 크기, 연령, 스타일이라는 세 가지 특성을 사용한다고 가정해 보겠습니다. 변수 중요도 집합이 3개의 특성이 다음과 같이 계산됩니다. {size=5.8, age=2.5, style=4.7}인 경우 크기가 더 중요한 결정 트리를 살펴보겠습니다.

ML 전문가에게 모델의 다양한 측면을 알릴 수 있는 다양한 변수 중요도 측정항목이 있습니다.

변이 자동 인코더 (VAE)

#language

불일치를 활용하는 자동 인코더 유형 수정된 입력 버전을 생성합니다. 변분 자동 인코더는 생성형 AI에 유용합니다.

VAE는 확률 모델의 매개변수를 추정하는 기술인 변형 추론을 기반으로 합니다.

벡터

여러 수학적 용어에 따라 의미가 서로 다른 매우 과부하된 용어 매우 다양합니다. 머신러닝에서 벡터에는 두 가지 속성이 있습니다.

• 데이터 유형: 머신러닝의 벡터는 일반적으로 부동 소수점 수를 보유합니다.
• 요소 수: 벡터의 길이 또는 차원입니다.

예를 들어 8개의 특성이 있는 특성 벡터가 있다고 가정해 보겠습니다. 부동 소수점 숫자입니다. 이 특성 벡터의 길이 또는 크기는 8입니다. 머신러닝 벡터는 종종 엄청난 수의 차원을 갖습니다.

다양한 종류의 정보를 벡터로 나타낼 수 있습니다. 예를 들면 다음과 같습니다.

• 지구 표면의 모든 위치는 2차원 벡터로 나타낼 수 있으며, 한 차원은 위도이고 다른 차원은 경도입니다.
• 500개 주식의 현재 가격은 500차원 벡터로 표현할 수 있습니다.
• 유한 개수의 클래스에 대한 확률 분포는 벡터로 표현할 수 있습니다. 예를 들어 멀티클래스 분류 시스템을 은 세 가지 출력 색상 (빨간색, 녹색, 노란색) 중 하나가 벡터 (0.3, 0.2, 0.5)는 P[red]=0.3, P[green]=0.2, P[yellow]=0.5를 의미합니다.

벡터는 연결할 수 있으므로 다양한 미디어를 단일 벡터로 표현할 수 있습니다. 일부 모델은 많은 원-핫 인코딩의 조합입니다.

TPU와 같은 특수 프로세서는 해를 입힐 수 있습니다.

벡터는 rank 1인 텐서입니다.

W

Wasserstein 손실

손실 함수 중 하나는 생성적 적대 신경망(GAN)의 다음 2가지 사이의 이동자 거리를 기준으로 인코더-디코더 모델을 생성합니다.

무게

#fundamentals

모델이 다른 값과 곱하는 값입니다. 학습은 모델의 이상적인 가중치를 결정하는 프로세스입니다. 추론은 학습된 가중치를 사용하여 예측을 수행하는 프로세스입니다.

아이콘을 클릭하여 선형 모델의 가중치 예시를 확인합니다.

두 개의 특성이 있는 선형 모델을 상상해 보세요. 학습이 다음 가중치 (그리고 편향):

• 편향 b는 2.2입니다.
• 한 특성과 연결된 가중치 w₁은 1.5입니다.
• 다른 특성과 관련된 가중치 w₂는 0.4입니다.

이제 다음 특성이 있는 예를 살펴보겠습니다. 값:

• 하나의 특성인 x₁의 값은 6입니다.
• 다른 지형지물인 x₂의 값은 10입니다.

이 선형 모델은 다음 수식을 사용하여 예측 y'를 생성합니다.

$$y' = b + w_1x_1 + w_2x_2$$

따라서 예측은 다음과 같습니다.

$$y' = 2.2 + (1.5)(6) + (0.4)(10) = 15.2$$

가중치가 0이면 해당 특성은 있습니다. 예를 들어 w₁이 0이면 x₁의 값은 관련이 없습니다.

---

Weighted Alternating Least Squares(WALS)

#recsystems

추천 시스템의 행렬 분해 중에 목표 함수를 최소화하는 알고리즘으로, 누락된 예시의 가중치를 낮출 수 있습니다. WALS는 행 인수분해와 열 인수분해를 교대로 바꾸어 원본 행렬과 재구성 사이의 가중 제곱 오차를 최소화합니다. 최소 제곱 볼록 최적화를 통해 각 최적화를 해결할 수 있습니다. 자세한 내용은 추천 시스템 과정

가중치가 적용된 합계

#fundamentals

모든 관련 입력 값의 합계에 해당 가중치를 곱한 값입니다. 예를 들어 관련 입력이 다음과 같이 구성되어 있다고 가정해 보겠습니다.

입력 값	입력 가중치
2	-1.3점
-1	0.6
3	0.4

따라서 가중치가 적용된 합계는 다음과 같습니다.

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

가중치가 적용된 합계는 활성화 함수.

와이드 모델

일반적으로 많은 희소 입력 특성을 갖는 선형 모델입니다. 이를 '와이드', 이후 이러한 모델은 특별한 유형의 신경망으로, 출력 노드에 직접 연결되는 다수의 입력을 사용합니다. 와이드 모델 심층 모델보다 디버그 및 검사가 더 쉬운 경우가 많습니다. 와이드 모델은 숨겨진 레이어를 통해 비선형성을 표현할 수 없지만, 특성 교차 및 버케팅과 같은 변환을 사용하여 다양한 방식으로 비선형성을 모델링할 수 있습니다.

심층 모델과 대비되는 개념입니다.

너비

신경망의 특정 레이어에 있는 뉴런 수입니다.

군중의 지혜

#df

많은 수의 사용자('군중')의 의견이나 추정치를 평균하면 놀라울 정도로 좋은 결과를 얻을 수 있다는 개념입니다. 예를 들어 사람들이 숫자와 숫자를 맞추는 게임을 젤리빈을 커다란 병에 담은 것입니다. 대부분의 개인이 정확하지 않을 수 있으므로 모든 추측의 평균값은 놀랍게도 실제 기기 수에 근접한 것으로 항아리에 젤리빈을 넣습니다.

Ensembles은 군중의 지혜를 보여주는 소프트웨어 아날로그입니다. 개별 모델이 매우 부정확한 예측을 하더라도 많은 모델의 예측을 평균화하면 놀라울 정도로 예측이 가능합니다. 예를 들어 개인이 결정 트리는 잘못된 예측을 할 수도 있고 결정 포레스트는 종종 매우 좋은 예측을 합니다.

단어 임베딩

#language

임베딩 벡터 내의 단어 집합에 있는 각 단어를 표현합니다. 즉, 각 단어를 0.0~1.0 사이의 부동 소수점 값 벡터로 표현합니다. 유사한 단어 의미가 다른 단어보다 더 유사한 표현입니다. 예를 들어 당근, 셀러리, 오이는 모두 유사한 표현을 사용할 수 있는데, 이는 인코더-디코더 아키텍처를 사용한 비행기, 선글라스, 치약을 묻지 않아도 됩니다.

X

XLA(가속 선형 대수학)

GPU, CPU, ML 가속기를 위한 오픈소스 머신러닝 컴파일러입니다.

XLA 컴파일러는 PyTorch, TensorFlow, JAX와 같은 널리 사용되는 ML 프레임워크의 모델을 가져와 GPU, CPU, ML 가속기를 비롯한 다양한 하드웨어 플랫폼에서 고성능 실행을 위해 최적화합니다.

Z

제로샷 학습

머신러닝 학습의 일종으로, 모델은 작업에 대한 예측을 추론함 인코더-디코더 모델을 생성합니다. 즉, 모델은 작업별 학습 예시가 0개가 제공되지만 해당 작업에 대한 추론을 수행하는 것입니다.

제로샷 프롬프팅

#language

#generativeAI

대규모 언어 모델이 응답할 방식의 예시를 제공하지 않는 프롬프트입니다. 예를 들면 다음과 같습니다.

프롬프트 구성 요소	참고
지정된 국가의 공식 통화는 무엇인가요?	LLM이 답변할 질문
인도:	실제 쿼리입니다.

대규모 언어 모델은 다음과 같이 응답할 수 있습니다.

• 루피 기호
• INR
• ₹
• 인도 루피
• 루피
• 인도 루피

모든 답변이 정확하지만 특정 형식을 선호할 수도 있습니다.

제로 샷 프롬프트를 다음 용어와 비교 및 대조하세요.

• 원샷 프롬프팅
• 퓨샷 프롬프팅

Z-점수 정규화

#fundamentals

원시 지형지물 값을 지형지물의 평균에서 표준 편차 수를 나타내는 부동 소수점 값으로 대체하는 스케일링 기법입니다. 예를 들어 평균이 800이고 표준 편차가 100인 특성을 생각해 보겠습니다. 다음 표는 Z-점수 정규화를 보여줍니다. 다음과 같이 원시 값을 Z-점수에 매핑합니다.

원본 값	Z-점수
800	0
950	+1.5
575	-2.25

그러면 머신러닝 모델은 원시 값이 아닌 해당 특성의 Z 점수로 학습합니다.